貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)增量學習研究.pdf

1、貝葉斯網(wǎng)(Bayesian Networks，BN)又稱信度網(wǎng)，起源于20世紀80年代中期對不確定性問題的研究，其清晰的語義結(jié)構(gòu)揭示了研究對象的內(nèi)在統(tǒng)計關(guān)系，是復(fù)雜聯(lián)合概率分布的緊湊表示方式，它憑借結(jié)構(gòu)化的自然表述方式，有效的學習能力及方便的推理機制，使其成為人工智能領(lǐng)域的一個重要理論工具。
　　 針對貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的批量學習算法無法適應(yīng)初始訓(xùn)練數(shù)據(jù)集的不完整和模型的動態(tài)變化問題，貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的增量學習算法成為貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學

2、習的研究熱點之一。本文研究了貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的增量學習算法，所做的主要工作和創(chuàng)新點如下：
　　 研究了基于TOCO(Traversal Operators in Correct Order)和RSS(Reduced Search Space)啟發(fā)函數(shù)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的增量學習算法。TOCO啟發(fā)函數(shù)通過分析爬山算法的搜索路徑，做出是否需要更新網(wǎng)絡(luò)結(jié)構(gòu)的決定。可以使得算法能夠在新數(shù)據(jù)無效的情況下，利用當前網(wǎng)絡(luò)結(jié)構(gòu)作為初始化的網(wǎng)絡(luò)結(jié)構(gòu)及

3、時更新網(wǎng)絡(luò)結(jié)構(gòu)模型。RSS啟發(fā)函數(shù)通過限制參數(shù)減少搜索的空間，從而有效改善增量結(jié)構(gòu)學習算法的效率。
　　 基于貝葉斯網(wǎng)絡(luò)的無損分解理論，提出了基于貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的無損分解的增量結(jié)構(gòu)學習算法。算法基于聯(lián)合樹的概念和性質(zhì)，將貝葉斯網(wǎng)絡(luò)分解為若干子網(wǎng)絡(luò)，各個子網(wǎng)絡(luò)既保留了原始網(wǎng)絡(luò)的依賴關(guān)系，又沒有增添新的依賴關(guān)系，保證了分解過程的無損性。對于減邊、逆邊、團內(nèi)加邊和團間加邊四類網(wǎng)絡(luò)結(jié)構(gòu)變化，算法在子網(wǎng)絡(luò)內(nèi)利用約束最大似然估計確定減邊、逆