因果貝葉斯網絡結構學習研究.pdf

1、因果貝葉斯網絡也被稱為信念網絡，是基于概率圖理論的一種不確定性知識表達和推理模型。它在數(shù)據(jù)挖掘、模式識別、數(shù)據(jù)壓縮、基因信息調控、圖象處理、工業(yè)制造等方面都有重要的應用。因果貝葉斯網絡結構作為貝葉斯網絡參數(shù)學習、推理、分類的基礎，它的學習方法顯得特別重要。到目前為止，因果貝葉斯網絡的結構學習是一個NP難題。本文的內容可分為以下幾部分：
　　(1)介紹了因果貝葉斯網絡結構學習的研究背景、現(xiàn)狀以及基本理論。
　　(2)針對爬山算

2、法和GS算法在學習因果貝葉斯網絡結構時很難得到近似全局最優(yōu)結構和搜索次數(shù)多的問題，提出了一種基于X2測試的貪婪搜索結構學習算法CIGS算法。在爬山算法和GS算法在學習貝葉斯網絡前，對初始化網絡進行了全局性的處理，先通過X2測試學習得到一個無向圖，然后用條件相對平均熵對這個無向圖判別方向，使得學習到的網絡中邊的方向更加準確，最后用GS算法進行學習。實驗證明CIGS算法與爬山算法、GS算法相比能夠得到更優(yōu)的近似全局最優(yōu)結構，減少了搜索次數(shù)使

3、得算法在時間性能上更高效。
　　(3)針對獨立性測試算法，如PC算法、TPDA算法由于計算性能的限制，很難在多結點的大數(shù)據(jù)集上運行的問題，引入了d-分離樹的概念，應用d-分離樹把大的貝葉斯網絡分解為多個小的網絡，然后對這些小網絡采用獨立性測試的方法進行學習，再把學習得到小網絡整合起來，基于此，提出了一種基于d-分離樹分解的GES因果貝葉網絡結構學習改進算法，這種因果貝葉斯網絡結構學習算法很好地結合了搜索評分和獨立性測試這兩類結構學

4、習算法的優(yōu)點，能夠更加有效地學習因果貝葉斯網絡結構。
　　(4)對貝葉斯網絡結構的主動學習領域進行了研究。分析了貝葉斯網絡的因果強度和三種擾動模型，最后分別采用互信息、對稱熵、不對稱信息熵來選擇擾動節(jié)點進行結構學習，并實驗驗證了這幾種方法的優(yōu)劣。分析了這幾種方法用于因果貝葉斯網絡結構學習的精確程度，還提出了用互信息和不對稱熵結合的方式選擇擾動結點進行結構學習的方法。實驗表明，這種方法針對數(shù)據(jù)集較少的小規(guī)模網絡上很大程度上提高了因果