贝叶斯网络结构学习与推理研究

《贝叶斯网络结构学习与推理研究》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、。三；l4篇被SCI检索，4作者简介朱明敏，1985年11月出生，陕西咸阳人．2007年毕业于河南大学数学与应用数学专业，获学士学位．2007年9月至今在西安电子科技大学应用数学专业学习，2013年6月获西安电子科技大学应用数学专业理学博士学位，师从刘三阳教授．主要研究方向：贝叶斯网络学习、最优化理论及其应用．目前已在国内外学术期刊上发表学术论文10余篇，其中篇被EI检索．MingminZhuwasbominXianyang，ShaanxiProvince，China，inNovermber1985．ShereceivedtheB．S．inMathematicsandAppliedMath

2、ematicsfromHenanUniversity，Kaifeng，China，in2007．SinceSeptember2007，shehasbeenstudyinginDeparrcmentofMathematics，XidianUniversity，andreceivedthePh．D．degreeinAppliedMathematicsfromXidianUniversity，Xi’an，China，inJune2013．HerdoctoralsupervisorisProf．SanyangLiu．HerresearchinterestsincludeBayesiannetwor

3、klearning，optimizmiontheoryanditsapplications．Shehaspublishedover10intemationalreferredjournalpapers，amongwhichthereare4PapersindexedbySCIand4byE1．西安电子科技大学fIIrllfrrrlllflfrlIFrllffUllflllrflllFIrJlfl』Y2380359学位论文独创性(或创新性)声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果．尽我所知，除了文中特别加以标注和致谢中所罗

4、列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其他教育机构的学位或证书而使用过的材料．与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意．申请学位论文与资料若有不实之处，本人承担一切的法律责任．本人签名：叠避日期：关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学．学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其他复制手段保存论文．同时本人保证，毕业后结合学位论

5、文研究课题再攥写的文章一律署名单位为西安电子科技大学．(保密的论文在解密后遵守此规定)本学位论文属于保密，在～年解密后适用本授权书．本人签名：芥1珉垣k本人签名：歪堂茎塑釜导师签名：盘l兰翌望日期：，，．、妒l多．多·‘z摘要贝叶斯网络是概率统计与图论相结合的一种图模型，在不确定性知识的表达和推理方面具有独特优势，已成功地应用于机器学习、人工智能、生物信息学、金融分析与预测等多个领域．然而，仅依赖专家的领域知识构建贝叶斯网络非常困难，甚至是不可能的．因此，从数据中学习贝叶斯网络结构并进行推理计算已经成为该研究领域的重点和难点问题．本文在深入研究贝叶斯网络相关理论的基础上，从不同角度建立学习

6、贝叶斯网络结构的优化算法，为贝叶斯网络的构建和实际应用提供了有力的依据；同时，针对含有连续变量的高斯网络，通过分析该类网络的具体特点，给出一种新的推理计算方法．具体工作包括以下几个方面：1．针对大规模贝叶斯网络的结构学习问题，提出了一种基于最大主子图分解的贝叶斯网络等价类学习算法．首先，在深入研究无向图分解理论的基础上，给出了一种基于全条件独立的最大主子图分解算法；利用该算法可以对目标网络的无向独立图进行分解，使得复杂高维系统的数据模式分解成若干子模块，从而将结构学习简化为局部子网络的学习问题；理论证明，这种分解不会破坏随机变量的局部统计信息．同时，本文在忠实性分布的假设条件下，提出了一种

7、利用嵌入性忠实性分布确定变量Markov边界的算法，提高了条件独立测试的效率．2．针对小样本数据的结构学习问题，提出了一种基于先验节点序的优化算法．首先，通过定义卜步依赖系数给出了网络结构的全局依赖度量，以此作为优化模型的目标函数，从而将结构学习问题转化为在可行域空间中求解目标函数的极大值问题，并给出了最优解的存在性及唯一性证明，为小样本贝叶斯网络学习提出了新的解决方案．同时，将这一思想引入到变量无序情况下的数据分类问题