| 【中文题名】 | 基于遗传算法的贝叶斯分类器结构学习研究 |
| 【英文题名】 | Research on Structure Learning of Bayesian Classifier Based on Genetic Algorithms |
| 【学科专业】 | 计算机软件与理论 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2005-11-4 |
| 【中关键词】 | 贝叶斯网络,结构学习,贝叶斯分类器,遗传算法,MATLAB,应用 |
| 【英关键词】 | Keywords:Bayesian Networks,Structure Learning,Bayesian Network Classifier,Genetic algorithms,MATLAB Application, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 | 近二十年来,世界经济带动信息技术急剧发展,Internet 技术的应用飞速普及,人们收集数据的能力的大幅提高,使得可以获取得到的和需要处理的数据规模越来越巨大。面对“数据丰富而知识匮乏”的挑战,数据挖掘(Data Mining)和知识发现(Knowledge Discovery)技术应运而生,并得以蓬勃发展,越来越显示出其强大的生命力。分类是数据挖掘中一项十分重要的任务,其目的是找出分类函数或者分类模型。目前常用的分类方法主要是一些机器学习的方法,如决策树方法、规则归纳方法、神经网络方法、遗传算法、蚂蚁算法等。在众多的分类方法中,贝叶斯网络作为一种有效的知识表示方式和概率推理模型,是处理不确定信息的强有力图形决策化分析工具。有其坚定的理论基础、自然的知识表示方式、灵活的推理能力和方便的决策机制,受到越来越多的重视。近年来,基于贝叶斯网络的数据挖掘取得了良好的效果,成为研究热点。
贝叶斯方法是基于贝叶斯定理而发展起来的用于系统阐述和解决统计问题的方法。以此建立的用于分类的贝叶斯网络叫做贝叶斯分类器。贝叶斯分类器是特殊形式的贝叶斯网络,变量的选取和状态均已确定,属性结点已知,类结点未知。贝叶斯分类器家族有三类... |
| 【论文题纲】 |
|
中文摘要 |
3-5 |
|
Abstract |
5-7 |
|
第一章 绪论 |
7-9 |
|
1.1 研究背景 |
7 |
|
1.2 研究现状 |
7-8 |
|
1.3 本文主要工作和结构安排 |
8-9 |
|
第二章 贝叶斯网络基本理论及结构学习算法 |
9-22 |
|
2.1 贝叶斯方法概述 |
9-10 |
|
2.2 图模型概述 |
10-11 |
|
2.3 贝叶斯网络简介 |
11-13 |
|
2.4 几种典型的贝叶斯分类器简介 |
13-16 |
|
2.5 贝叶斯网络结构学习算法概述 |
16-21 |
|
2.6 本章小结 |
21-22 |
|
第三章 基于 MATLAB 的遗传算法实现及贝叶斯分类器实验平台MBNC |
22-30 |
|
3.1 基于MATLAB 的遗传算法基本原理 |
22-23 |
|
3.2 基于选择性集成的整数编码遗传算法及TSP 问题求解 |
23-27 |
|
3.3 基于MATLAB 的贝叶斯实验平台 MBNC 及应用举例 |
27-29 |
|
3.4 本章小结 |
29-30 |
|
第四章 基于 BIC 测度和遗传算法的 TANC 结构学习算法 GA-TANC |
30-35 |
|
4.1 学习TANC 结构的遗传算法设计 |
30-32 |
|
4.2 基于BIC 测度和遗传算法的TANC 结构学习算法 GA-TANC 及实验结果分析 |
32-34 |
|
4.3 本章小结 |
34-35 |
|
第五章 基于 K2 和遗传算法的 BNC 结构学习算法 GA-K2 |
35-39 |
|
5.1 学习贝叶斯网络结构的K2 算法 |
35-36 |
|
5.2 确定结点次序的整数编码遗传算法设计 |
36 |
|
5.3 基于K2 和GA 的BNC 结构学习算法GA-K2 及实验结果分析 |
36-38 |
|
5.4 本章小结 |
38-39 |
|
第六章 基于 BIC 测度和混合遗传算法的 BNC 结构学习算法 GA-GS |
39-45 |
|
6.1 学习贝叶斯网络结构的GS 算法 |
39 |
|
6.2 学习贝叶斯网络结构的遗传算法 |
39-41 |
|
6.3 基于BIC 测度和混合遗传算法的BNC 结构学习算法GA-GS 及实验结果分析 |
41-44 |
|
6.4 本章小结 |
44-45 |
|
第七章 总结及将来的工作展望 |
45-47 |
|
附1:参考文献 |
47-50 |
|
附2:读研期间已发表和已投稿的论文 |
50 |
|
附3: 读研期间曾参与的科研项目 |
50 |
|
附4: 读研期间曾获得的奖励 |
50-51 |
|
致谢 |
51 |
|
| 【DOI】 | LunWen.ID:2.2008.387501 |
