貝葉斯網(wǎng)不確定性推理研究.pdf

1、貝葉斯網(wǎng)(又稱信度網(wǎng)或因果網(wǎng))是一種基于概率推理的數(shù)學(xué)模型，它起源于人工智能領(lǐng)域的研究，是一種將概率統(tǒng)計應(yīng)用于復(fù)雜領(lǐng)域、進(jìn)行不確定性推理和數(shù)據(jù)分析的工具。隨著對其研究的不斷深入，貝葉斯網(wǎng)已經(jīng)成為不確定性知識表達(dá)和推理領(lǐng)域最有效的模型之一，并因此在很多領(lǐng)域有著廣泛的應(yīng)用。盡管有著堅實的理論基礎(chǔ)，關(guān)于貝葉斯網(wǎng)在給定不確定信息下的知識合成及推理機(jī)制的研究仍然存在很多有待進(jìn)一步探討的問題。本文針對這些問題，主要從事了以下幾個方面的研究：

2、　　 知識合成算法及其性質(zhì)的探討?；贗PFP及其擴(kuò)展C-IPFP的知識合成算法的研究已經(jīng)比較深入，然而該方法只在約束集一致時收斂。而現(xiàn)實應(yīng)用中，由于海量數(shù)據(jù)的來源及獲取手段的不同，作為概率知識的約束集相互之間往往存在相互矛盾之處。為此，Vomlel提出了約束集不一致時的知識合成算法CC-IPFP、GEMA算法。而實驗結(jié)果表明，CC-IPFP和GEMA算法計算復(fù)雜度高，且收斂速度受初始值的影響很大，使得其在應(yīng)用中的性能不可預(yù)測。針對該

3、種情況，本文在研究上述各算法的基礎(chǔ)上，提出了一種新的基于IPFP的合成算法SMOOTH，并在理論和實驗上討論了新算法的收斂性能。數(shù)值實驗結(jié)果表明，SMOOTH算法在約束集一致時，退化為標(biāo)準(zhǔn)IPFP算法；在約束集不一致時，SMOOTH算法與GEMA算法具有相同的收斂結(jié)果；且算法不受初始值的影響，收斂速度穩(wěn)定，與GEMA相比收斂速度快；同時可以調(diào)整平滑因子實現(xiàn)算法的加速收斂。
　　 對于貝葉斯網(wǎng)知識合成問題，本文在Peng和Ding

4、工作的基礎(chǔ)上，介紹了E-IPFP算法，并首次詳細(xì)給出了算法在概率約束集一致時的收斂性證明。由于E-IPFP是基于IPFP算法的，在約束條件相互不一致或約束條件與網(wǎng)絡(luò)結(jié)構(gòu)不一致時，算法并不收斂。為此，本文將E-IPFP算法與SMOOTH算法相結(jié)合，對E-IPFP進(jìn)行了改進(jìn)。數(shù)值實驗結(jié)果表明，改進(jìn)后的算法在概率約束集不一致時同樣能夠達(dá)到收斂，并能夠處理約束條件與網(wǎng)絡(luò)結(jié)構(gòu)不一致的情況。
　　 文中詳細(xì)介紹了不確定性證據(jù)下的貝葉斯網(wǎng)信度

5、更新。首先系統(tǒng)闡述了不確定性證據(jù)的分類及各自的特點，探討了在單一證據(jù)下不同信度更新算法(Jeffrey's rule，virtual evidence method和IPFP)之間的關(guān)系。在Pan和Peng工作的基礎(chǔ)上介紹了多重證據(jù)下貝葉斯網(wǎng)的信度更新算法，BN-IPFP。同時對其進(jìn)行了改進(jìn)，使得算法不僅能夠處理多重證據(jù)下的信度更新，而且能夠解決證據(jù)不一致的問題，并在理論和實驗上驗證了改進(jìn)后算法的收斂性。
　　 最后，論文討論了

6、貝葉斯網(wǎng)在語義網(wǎng)本體不確定性推理中的應(yīng)用。通過擴(kuò)展BayesOWL理論框架，使得其能夠?qū)⒏鼮橐话愕谋倔w(如OWL DL)轉(zhuǎn)化為貝葉斯網(wǎng)。同時通過對OWL本體語言的擴(kuò)展，使其能夠描述任意以概率形式給出的關(guān)于本體的不確定性知識，并根據(jù)貝葉斯網(wǎng)知識合成算法將其合成到轉(zhuǎn)換后的貝葉斯網(wǎng)中，從而建立起關(guān)于本體的概率知識庫；通過貝葉斯網(wǎng)信度更新算法，實現(xiàn)在給定不確定性證據(jù)下的后驗概率查詢，完成了本體不確定性推理問題與貝葉斯網(wǎng)推理問題的轉(zhuǎn)化。最后實現(xiàn)了