MPD-PSO：一種新的基于混合方式的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法.pdf

1、貝葉斯網(wǎng)絡(luò)目前在數(shù)據(jù)挖掘、模式識別和智能決策等人工智能領(lǐng)域得到了廣泛的應(yīng)用。作為一個(gè)重要的推理工具，如何有效地學(xué)習(xí)貝葉斯網(wǎng)絡(luò)是解決實(shí)際問題首要工作。貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)問題可以分成兩個(gè)部分:網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)和網(wǎng)絡(luò)參數(shù)學(xué)習(xí)（條件概括表學(xué)習(xí)）。而要準(zhǔn)確的學(xué)習(xí)整個(gè)網(wǎng)絡(luò)，結(jié)構(gòu)學(xué)習(xí)是最先解決的問題，決定著貝葉斯網(wǎng)絡(luò)的應(yīng)用價(jià)值。目前貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)所采用的方法包括三種:(1)基于依賴分析的結(jié)構(gòu)學(xué)習(xí)方法，該方法對于網(wǎng)絡(luò)結(jié)構(gòu)比較稀疏的結(jié)構(gòu)學(xué)習(xí)有很好的學(xué)習(xí)效果

2、，但對于規(guī)模較大的問題很難取得滿意的時(shí)間復(fù)雜度，并且在變量規(guī)模較大的情況下，條件獨(dú)立性測試的結(jié)果也將變得不可靠;(2)基于評分搜索的學(xué)習(xí)方法，該方法在整個(gè)網(wǎng)絡(luò)空間中，通過對網(wǎng)絡(luò)結(jié)構(gòu)評分的優(yōu)劣來搜索最優(yōu)的結(jié)構(gòu)，這種方法在計(jì)算復(fù)雜度上要好于第一種方法，但得到的網(wǎng)絡(luò)結(jié)構(gòu)準(zhǔn)確度不夠高;(3)基于混合方式的結(jié)構(gòu)學(xué)習(xí)方法，混合方式可以結(jié)合上述兩種方法的優(yōu)點(diǎn)，并克服其不足之處，因此成為結(jié)構(gòu)學(xué)習(xí)中比較常用的方法，并得到了比較廣泛的應(yīng)用。
　　本文

3、引入了一種將最大主子圖分解技術(shù)和粒子群算法相結(jié)合的結(jié)構(gòu)學(xué)習(xí)方法MPD-PSO(Maximal Prime Decomposition-Particle Swarm Optimization)。該方法首先利用MBDA算法獲得目標(biāo)變量的Markov邊界，并以此構(gòu)建無向獨(dú)立圖，再利用最大主子圖分解技術(shù)(MPD)將大的無向圖分解為多個(gè)主子圖，以此來降低搜索空間的大小，最后利用粒子群算法(PSO)分別對每個(gè)子圖進(jìn)行學(xué)習(xí)，再將學(xué)習(xí)后的子網(wǎng)絡(luò)結(jié)構(gòu)通過