基于领域知识的贝叶斯网络学习研究

《基于领域知识的贝叶斯网络学习研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、合肥工业大学硕士学位论文基于领域知识的贝叶斯网络学习研究姓名：莫富强申请学位级别：硕士专业：计算机软件与理论指导教师：王浩20080401基于领域知识的贝叶斯网络学习研究摘要贝叶斯网是图形表示和概率知识的有机结合，它揭示了领域对象的内在联系，是复杂全概率分布的紧凑表达方式。其坚实的理论基础，知识结构的自然表述，灵活的推理能力以及方便的决策机制使其应用范围越来越广泛。通常具有少数节点的网络由专家构建是准确和高效的，但是当节点规模大幅度增加时，由专家构建网络是既费时又费力的，而实践中一般难以获取大量的数据，即使拥有足够的

2、数据，但没有领域知识的指导，学习算法也难以收敛到正确的网络结构和网络参数。鉴于此，本文尝试在贝叶斯网络学习算法中引入领域知识，以提高算法的学习精度和执行效率。本文的主要内容如下：(1)贝叶斯网络的概述。全面介绍和分析了贝叶斯网络的研究背景、研究现状和研究趋势：贝叶斯网络的基本原理；贝叶斯网络的典型学习算法。(2)EM算法是动态贝叶斯网络参数学习的一种主要方法，收敛速度慢，算法执行效率低是其主要缺点。本文通过将大规模时序数据集划分为较小的数据块，并通过块间的循环迭代，增量式地更新似然函数和网络参数，对传统的EM算法进行

3、了改进。实验表明改进的DA．EM算法在保证结果精度的前提下，在时间性能上有较大的提高。(3)SEM算法虽可用于具有缺省数据的贝叶斯网络结构的学习，却需要用大的iJtI练样本集来改善算法本身存在的一些缺陷，如：学习精度不够高、算法收敛速度慢和容易陷入局部最优。而现实中，很难搜集到足够多的训练样本。本文提出结构学习改进算法KB．SEM，将专家知识以禁忌表的形式融入SEM算法中，以约束算法的搜索空间，达到提高SEM算法精度的目的。实验表明，KB．SEM算法能够显著提高SEM算法的执行效率，并在一定程度上改善算法的时间性能，

4、克服算法的局部最优，避免主观偏见和数据噪音给学习结果带来的片面性，产生一个对专家有高接受度的网络。关键词：贝叶斯网络，领域知识，参数学习，结构学习，D．S证据理论TheResearchofBayesianNetworksLearningBasedonDomainKnowledgeABSTRACTBayesiannetworkisthedirectlygraphicrepresentation，itvividlydescribethecorrespondingfieldthing’Sdegreeofrelative．T

5、heBayesiannetworkcanreasonandpredictsomething，anditisamainmethoddealingwithuncertainfact．Usuallyexpertscanconstructafittingnetworkaccordingtotheirknowledge，however,constructingnetworkistime··consumingandlabor--consumingforcomplicatednetworks．Ifanexpertwascarele

6、ss，hewillconstructawrongnetwork．Wecannotacquireenoughdatabyobservationintheworld．Althoughenoughdadaisobtained，wecouldn’tmakethelearningalgorithmconvergetothecorrectBayesiannetworkwithoutdomainknowledge．Becauseofthemethodconsideredabove。domainknowledgeiSintroduc

7、edinthelearningalgorithminthisdissertationinordertoimprovetheprecisionandthespeedeffectively．Themaincontentsofthisdissertationareasfollows：(1)ThisdissertationmakesasurveyabouttheresearchonBayesiannetworks，includingthebackground，thecurrentresearchstateanddevelop

8、menttrendofBayesiannetworks，thebasicprincipleofBayesiannetworks，theintroductionandanalysisoftheclassicalgorithmsforinferringandlearningofBayesiannetworks．(2)TheEMalgorithmis