基于MRMR的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法研究.pdf

1、貝葉斯網(wǎng)絡(luò)是一種概率圖模型，能夠高效表示隨機(jī)變量之間復(fù)雜的獨(dú)立依賴(lài)關(guān)系；即使在數(shù)據(jù)不完整的情況下，仍然具備高效的推理能力，因此越來(lái)越廣泛的用于決策、診斷和復(fù)雜系統(tǒng)的控制等領(lǐng)域。如何從原始數(shù)據(jù)中學(xué)習(xí)到貝葉斯網(wǎng)絡(luò)是其解決問(wèn)題的前提。貝葉斯網(wǎng)絡(luò)由結(jié)構(gòu)和參數(shù)組成，其中結(jié)構(gòu)學(xué)習(xí)是核心。本文研究了貝葉斯網(wǎng)絡(luò)的理論知識(shí)和學(xué)習(xí)貝葉斯網(wǎng)絡(luò)的相關(guān)算法，分別在完整數(shù)據(jù)集和缺失數(shù)據(jù)集下，結(jié)合最大相關(guān)和最小冗余特征選擇技術(shù)，重點(diǎn)研究貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法。其研究

2、內(nèi)容主要體現(xiàn)在以下幾個(gè)方面：
　　1）針對(duì)完整數(shù)據(jù)集，改進(jìn)了基于節(jié)點(diǎn)次序的最大相關(guān)和最小冗余貪婪貝葉斯結(jié)構(gòu)學(xué)習(xí)算法（OMRMRG），該算法引入了最大相關(guān)和最小冗余特征選擇技術(shù)，并采用局部貝葉斯增量評(píng)分函數(shù)，在有限的數(shù)據(jù)集上提高了算法的精度和準(zhǔn)確性。但由于是隨機(jī)產(chǎn)生初始節(jié)點(diǎn)的次序，因此增大了結(jié)果的不確定性。本文提出了一種生成優(yōu)化的節(jié)點(diǎn)初始次序的方法，在得到基本有序的節(jié)點(diǎn)初始次序后，再結(jié)合近鄰交換算子進(jìn)行迭代搜索，能夠在較短的時(shí)間內(nèi)得

3、到更加正確的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。實(shí)驗(yàn)結(jié)果表明了該方法的有效性。
　　2）針對(duì)缺失數(shù)據(jù)集，對(duì)于BN-GS算法中的隨機(jī)初始化缺失數(shù)據(jù)和隨機(jī)生成節(jié)點(diǎn)次序帶來(lái)的不確定性，利用節(jié)點(diǎn)次序預(yù)排序算法產(chǎn)生初始次序；對(duì)于每個(gè)缺值的節(jié)點(diǎn)變量，使用其在整個(gè)數(shù)據(jù)樣本中出現(xiàn)次數(shù)最多的那個(gè)取值作為初始化，加快了收斂的速度，提高了為邊確定方向時(shí)的正確率?；诔跏蓟蟮耐暾麛?shù)據(jù)，應(yīng)用克魯斯卡爾算法建立最大權(quán)重生成樹(shù)，并按照上述的節(jié)點(diǎn)次序確定生成樹(shù)中邊的方向。在使用吉