几类概率图模型结构学习算法研究

发布时间：2024-02-15 12:34

　　概率图模型将图论和概率论有机结合,广泛用于不确定性知识的建模和推理.贝叶斯网络是概率图模型中理论完善且应用较广的一类子模型.链图作为贝叶斯网络的推广模型,包含贝叶斯网络但又不仅限于该网络,具有较强的表示能力.由于问题的表达和推理是建立在网络拓扑结构的基础之上,因此从数据中学习网络结构是概率图模型研究的一个重要分支.本文针对贝叶斯网络和链图模型的结构学习问题,分别提出基于得分和基于约束的网络结构学习算法.主要内容如下:首先,针对贝叶斯网络结构学习问题,提出了基于粒子群优化的结构学习算法,该算法旨在通过建立搜索策略,最大化候选网络结构的得分.我们给出了粒子速度和位置的离散形式,结合贝叶斯网络结构特点,在不改变经典粒子群优化算法寻优机制的基础上,设计了粒子速度和位置的新的更新策略.为了提高算法性能,在粒子更新过程中采用邻域搜索机制.基准网络上的测试结果验证了算法的可行性和有效性.对比实验结果表明所提出算法在网络得分和时间方面具有一定优势.其次,为了进一步研究基于得分的贝叶斯网络结构学习方法,将最新提出的元启发式算法水循环算法用于解决贝叶斯网络结构学习问题,设计了新的基于二进制编码的水循环算法...

【文章页数】：123 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
    1.2 研究现状
    1.3 本文的主要内容和结构安排
第二章 概率图模型的基础知识
    2.1 概率论与图论知识
        2.1.1 概率论
        2.1.2 图论
    2.2 概率图模型
        2.2.1 贝叶斯网络的基本概念
        2.2.2 链图的基本概念
    2.3 概率图模型结构学习算法
        2.3.1 基于约束的方法
        2.3.2 基于得分搜索的方法
    2.4 本章小结
第三章 基于离散速度的粒子群优化算法学习贝叶斯网络结构
    3.1 引言
    3.2 粒子群优化算法
    3.3 基于离散速度的粒子群优化算法学习贝叶斯网络结构
        3.3.1 解的表达和构造
        3.3.2 粒子速度更新规则
        3.3.3 粒子位置更新规则
        3.3.4 邻域搜索
        3.3.5 新离散粒子群优化算法学习BNs流程
    3.4 实验分析
        3.4.1 实验数据和性能评价准则
        3.4.2 算法及参数设置
        3.4.3 NDPSO-BN算法学习BNs
        3.4.4 NDPSO-BN与其它算法比较
    3.5 本章小结
第四章 二进制编码水循环算法解决贝叶斯网络结构学习问题
    4.1 引言
    4.2 水循环算法
        4.2.1 初始解表达
        4.2.2 更新规则
        4.2.3 蒸发条件
    4.3 二进制编码水循环算法学习贝叶斯网络结构
        4.3.1 解的表达和初始化
        4.3.2 基于逻辑运算更新个体位置
        4.3.3 蒸发过程
        4.3.4 算法流程
    4.4 收敛性分析
    4.5 实验分析
        4.5.1 实验数据以及评估方法
        4.5.2 算法及参数
        4.5.3 BEWCA-BN算法学习BNs
        4.5.4 不同算法学习BNs
    4.6 算法应用
    4.7 本章小结
第五章 基于错误发现率控制的链图局部结构学习算法
    5.1 引言
    5.2 理论基础
        5.2.1 链图结构学习的基本理论
        5.2.2 条件独立性测试
    5.3 链图结构学习算法
        5.3.1 PCMB算法
        5.3.2 链图结构学习
        5.3.3 基于错误发现率控制学习链图骨架
        5.3.4 恢复链图复合体有向边
    5.4 计算复杂性分析
        5.4.1 骨架学习算法的复杂性分析
        5.4.2 复合体有向边恢复算法的复杂性分析
    5.5 实验分析
        5.5.1 实验数据和性能测试准则
        5.5.2 LCG_fdr算法学习链图结构
        5.5.3 对比实验分析
    5.6 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
作者简介



本文编号：3899754