| 【中文题名】 | 贝叶斯网络建模及推理算法研究 |
| 【英文题名】 | The Research of Learning and Inference Algorithm for Bayesian Networks |
| 【学科专业】 | 计算机软件与理论 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-3 |
| 【中关键词】 | 贝叶斯网络,动态贝叶斯网络,EM算法,领域知识,MCMC,遗传算法 |
| 【英关键词】 | Bayesian networks,dynamic Bayesian networks,EM algorithm,Domain Knowledge,MCMC,Genetic Algorithm,Junction tree, |
| 【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】 |
贝叶斯网络(Bayesian Networks，BN)简洁的不确定性知识表示形式和双向的推理能力，使其成为人工智能领域的研究热点之一。贝叶斯网络建模技术与推理算法的研究是其理论与应用研究的核心和难点问题。本文对贝叶斯网络建模技术和推理算法中存在的一些问题做了深入的研究，具体的研究内容如下：
(1)具有缺省数据或含有隐变量的贝叶斯网络参数学习和结构学习是贝叶斯网络学习研究的热点同时也是研究的难点。基于EM算法框架的BN学习算法可以较好的处理上述问题。但该类算法易于收敛到局部最优，同时计算量过大也是其应用的一个瓶颈问题。本文针对EM算法学习贝叶斯网络参数的计算问题，提出了一种并行EM算法提高大样本条件下贝叶斯网络参数学习的速度。在此基础上，我们深入分析了结构EM算法(Structural EM，SEM)，用并行的方法来进行SEM算法的参数学习，从而提出一种并行的贝叶斯网络结构学习算法一并行SEM算法(Parallel SEM，PL-SEM)。PL-SEM算法实现了并行计算期望充分统计因子和当前贝叶斯网络的参数，从而大大降低了结构学习的时间复杂性，也为并行的贝叶斯网络结构学习算法提供一个框架。
... |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
Abstract |
6-13 |
|
第一章 绪论 |
13-20 |
|
1.1 贝叶斯网络 |
13-16 |
|
1.1.1 贝叶斯网络 |
13-15 |
|
1.1.2 贝叶斯网络的应用 |
15-16 |
|
1.2 贝叶斯网络学习研究背景与现状 |
16-18 |
|
1.2.1 贝叶斯网络参数学习研究背景与现状 |
17 |
|
1.2.2 贝叶斯网络结构学习研究背景与现状 |
17-18 |
|
1.3 贝叶斯网络推理研究背景与现状 |
18-19 |
|
1.4 课题的来源和本文的组织 |
19-20 |
|
1.4.1 课题的来源 |
19 |
|
1.4.2 研究内容及安排 |
19-20 |
|
第二章 贝叶斯网络学习算法研究 |
20-43 |
|
2.1 引言 |
20-21 |
|
2.2 基于并行EM算法的贝叶斯网络参数学习 |
21-29 |
|
2.2.1 基于EM算法的贝叶斯网络参数学习 |
21-22 |
|
2.2.2 基于并行EM的BN参数学习算法 |
22-25 |
|
2.2.3 PL-EM算法实验结果及分析 |
25-29 |
|
2.3 基于并行EM算法的贝叶斯网络结构学习 |
29-33 |
|
2.3.1 基于EM算法的贝叶斯网络结构学习 |
29-30 |
|
2.3.2 一种并行的结构EM学习算法(PL-SEM) |
30-31 |
|
2.3.3 PL-SEM算法实验结果 |
31-32 |
|
2.3.4 实验结论 |
32-33 |
|
2.4 基于领域知识的贝叶斯网络结构学习 |
33-41 |
|
2.4.1 引言 |
33-34 |
|
2.4.2 基于EM算法的贝叶斯网络结构学习实验 |
34-39 |
|
2.4.3 基于知识导向的SEM算法(KL-SEM) |
39-41 |
|
2.5 本章小结 |
41-43 |
|
第三章 动态贝叶斯网络结构学习 |
43-52 |
|
3.1 引言 |
43-44 |
|
3.2 研究背景 |
44-45 |
|
3.2.1 动态贝叶斯网络 |
44-45 |
|
3.2.2 BMA和MCMC学习 |
45 |
|
3.3 DBN-EMC算法 |
45-49 |
|
3.3.1 DBN结构进化 |
46-47 |
|
3.3.2 有向循环图评判算法 |
47-49 |
|
3.3.3 DBN-EMC算法描述 |
49 |
|
3.4 实验结果 |
49-50 |
|
3.5 本章小结 |
50-52 |
|
第四章 贝叶斯网络的三角化算法研究 |
52-63 |
|
4.1 引言 |
52-53 |
|
4.2 联合树及其构建 |
53-57 |
|
4.3 基于自适应遗传算法的三角化优化算法TAGA |
57-60 |
|
4.3.1 编码 |
57 |
|
4.3.2 适应度函数 |
57 |
|
4.3.3 自适应的交叉和变异算子 |
57-58 |
|
4.3.4 自适应的线性排序选择算子 |
58-59 |
|
4.3.5 基于自适应遗传算法的三角化优化算法TAGA算法描述 |
59-60 |
|
4.4 实验结果及分析 |
60-62 |
|
4.5 本章小结 |
62-63 |
|
第五章 结束语 |
63-65 |
|
5.1 本文工作总结 |
63-64 |
|
5.2 进一步的研究工作 |
64-65 |
|
参考文献 |
65-71 |
|
攻读硕士期间主要科研工作及成果 |
71 |
|
一 参与的主要科研项目 |
71 |
|
二 已发表的学术论文(含已录用论文) |
71 |
|
| 【DOI】 | LunWen.ID:2.2008.388777 |
