| 【中文题名】 | 基于进化算法的Bayesian网结构学习研究 |
| 【英文题名】 | Research on Learning Bayesian Network Structure Based on Evolutionary Algorithms |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-2 |
| 【中关键词】 | Bayesian网,进化算法,增量学习,结构学习,, |
| 【英关键词】 | |
| 【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>人工神经网络与计算> |
| 【论文摘要】 |
Bayesian网是联合概率分布的图形表示方式，目前已成为人工智能领域中不确定问题处理的一种强有力工具。仅由人类专家建造Bayesian网是困难的，从数据中学习Bayesian网已成为近年来十分活跃的研究领域。
本文提出了两种基于进化算法的Bayesian网结构学习算法。一种是基于(μ，λ)-ES进化策略的Bayesian网结构增量学习算法。该算法可以在没有旧数据的情况下，完全通过上一次学习所得出的Bayesian网及新获得的训练数据进行增量学习，克服了目前多数算法需要保存旧数据的缺点，节省了存储空间。本文还提出了一种具有较小搜索空间的Bayesian网结构学习算法，首先使用蚁群算法对变量的顺序进行学习。然后在最优变量顺序下，利用遗传算法对结构进行学习，算法中使用一种新的编码方式，使进化过程中不会产生含有环的非法结构。该算法的搜索空间小于目前多数算法的搜索空间。实验结果表明，本文提出的两种算法能有效的进行Bayesian网结构学习。 |
| 【论文题纲】 |
|
提要 |
4-7 |
|
第一章 绪论 |
7-11 |
|
1.1 研究背景和意义 |
7-8 |
|
1.2 Bayesian网学习的研究现状 |
8-9 |
|
1.3 本文主要工作 |
9-11 |
|
第二章 Bayesian网及其推理算法 |
11-15 |
|
2.1 Bayesian网基本理论 |
11-13 |
|
2.2 Bayesian网推理算法 |
13-15 |
|
第三章 Bayesian网学习方法 |
15-42 |
|
3.1 Bayesian网的参数学习 |
16-28 |
|
3.1.1 完备数据下的参数学习 |
17-19 |
|
3.1.1.1 MLE方法 |
17-18 |
|
3.1.1.2 Bayesian方法 |
18-19 |
|
3.1.2 不完备数据下的参数学习 |
19-28 |
|
3.1.2.1 MCMC方法 |
20-23 |
|
3.1.2.2 EM算法 |
23-25 |
|
3.1.2.3 梯度上升算法 |
25-28 |
|
3.2 Bayesian网的结构学习 |
28-39 |
|
3.2.1 基于打分的方法 |
28-34 |
|
3.2.1.1 评分函数 |
28-33 |
|
3.2.1.2 搜索算法 |
33-34 |
|
3.2.2 基于条件独立性测试的方法 |
34-39 |
|
3.2.2.1 Cheng Jie三阶段算法 |
35-37 |
|
3.2.2.2 数据不完备时的处理方法 |
37-39 |
|
3.3 各种方法的比较和未来研究趋势 |
39-42 |
|
第四章 基于进化策略的Bayesian网 结构增量学习算法 |
42-57 |
|
4.1 Bayesian网增量学习的基本概念 |
42-45 |
|
4.2 基于进化策略的Bayesian网结构增量学习算法 |
45-53 |
|
4.2.1 网络结构编码 |
45-47 |
|
4.2.2 适应度函数 |
47-48 |
|
4.2.3 参数的增量学习 |
48-50 |
|
4.2.4 进化操作 |
50-52 |
|
4.2.4.1 重组(Recombination) |
50-51 |
|
4.2.4.2 变异(Mutation) |
51 |
|
4.2.4.3 选择(Selection) |
51-52 |
|
4.2.5 算法结构 |
52-53 |
|
4.3 实验结果 |
53-55 |
|
4.4 总结及需要进一步研究的问题 |
55-57 |
|
第五章 基于进化计算的简化搜索空间下Bayesian网结构学习算法 |
57-68 |
|
5.1 基本概念 |
57-58 |
|
5.2 简化搜索空间 |
58-59 |
|
5.3 简化搜索空间下的Bayesian网结构学习算法 |
59-67 |
|
5.3.1 画草图 |
59-60 |
|
5.3.2 基于蚁群算法的变量顺序学习 |
60-64 |
|
5.3.2.1 蚁群算法简介 |
60-61 |
|
5.3.2.2 学习变量顺序 |
61-64 |
|
5.3.3 基于遗传算法的结构学习 |
64-67 |
|
5.3.3.1 结构编码和适应度函数 |
64-65 |
|
5.3.3.2 遗传操作 |
65-67 |
|
5.4 实验结果 |
67 |
|
5.5 总结及需要进一步研究的问题 |
67-68 |
|
第六章 结束语 |
68-69 |
|
参考文献 |
69-71 |
|
摘要 |
71-74 |
|
Abstract |
74-77 |
|
致谢 |
77 |
|
| 【DOI】 | LunWen.ID:2.2008.388692 |
