学位论文 > 优秀研究生学位论文题录展示

贝叶斯网络结构学习方法的研究

作　者: 李玮玮
导　师: 王建东
学　校: 南京航空航天大学
专　业: 计算机软件与理论
关键词: 贝叶斯网络结构学习频繁项集边定向遗传算法禁忌搜索
分类号: TP181
类　型: 硕士论文
年　份: 2009年
下　载: 145次
引　用: 0次
阅　读: 论文下载

内容摘要

贝叶斯网络将概率理论和图论相结合,为解决不确定性问题提供了一种自然而直观的方法。本文深入研究了贝叶斯网络的结构学习问题,主要的工作如下:1、研究了三类贝叶斯网络结构学习方法:评分搜索法、基于约束的方法和结合这两种方法的混合方法。详细介绍了一种优秀的贝叶斯网络结构学习算法——MMHC算法。2、提出了高维稀疏大数据集上的贝叶斯网络结构学习方法——FSBN算法。FSBN算法依据频繁项集包含数据集本质信息的特性,先挖掘出数据集上的频繁项集,针对挖掘频繁项集的Apriori算法的不足,提出了Apriori-3K算法。在此基础上,FSBN把Apriori-3K算法应用到贝叶斯网络结构学习中,利用频繁项集限制贝叶斯网络结构搜索空间。实验表明,在高维稀疏大数据集上,FSBN算法提高了构建贝叶斯网络结构的效率。3、提出了基于遗传禁忌算法的贝叶斯网络边定向方法——GATS算法。贝叶斯网络边定向问题是贝叶斯网络结构学习的一个重要方面,通常可以用遗传算法进行解决。但遗传算法存在爬山能力差、早熟问题,GATS算法把禁忌搜索的“多样化”引入到遗传算法的交叉算子和变异算子中,使得算法在贝叶斯网络结构的搜索过程中具有记忆性,既避免了遗传算法的早熟问题,又保留了遗传算法多出发点的优势,实验表明,GATS算法能有效地解决贝叶斯网络边定向问题。

全文目录

摘要  4-5
Abstract  5-10
第一章绪论  10-15
  1.1 贝叶斯网络的研究意义  10-12
  1.2 贝叶斯网络的起源、发展和研究现状  12-13
  1.3 本文的主要工作  13-14
  1.4 本文的组织结构  14-15
第二章贝叶斯网络的基本理论  15-27
  2.1 基本概念  15-16
  2.2 贝叶斯网络的知识表示  16-17
  2.3 贝叶斯网络的结构学习方法  17-26
    2.3.1 基于评分搜索的贝叶斯网络结构学习方法  18-23
    2.3.2 基于约束的贝叶斯网络结构学习方法  23-24
    2.3.3 混合贝叶斯网络结构学习方法  24-26
  2.4 本章小结  26-27
第三章高维稀疏大数据集上的贝叶斯网络结构学习  27-37
  3.1 频繁项集的产生  27-32
    3.1.1 频繁项集的相关概念  27
    3.1.2 Apriori 算法  27-30
    3.1.3 Apriori-3K 算法  30-32
  3.2 基于频繁项集的贝叶斯网络结构学习算法  32-34
    3.2.1 FSBN 算法思想  32-33
    3.2.2 FSBN 算法伪代码  33-34
  3.3 实验分析  34-36
    3.3.1 实验环境  34
    3.3.2 Apriori-3K 算法实验分析  34-35
    3.3.3 FSBN 算法实验分析  35-36
  3.4 本章小结  36-37
第四章遗传禁忌算法在贝叶斯网络边定向方法中的应用  37-57
  4.1 遗传算法  37-44
    4.1.1 遗传算法的基本思想  38-39
    4.1.2 遗传算法的实现  39-43
    4.1.3 遗传算法的优缺点  43-44
  4.2 禁忌搜索  44-48
    4.2.1 禁忌搜索的基本思想  44-45
    4.2.2 禁忌搜索的关键技术  45-47
    4.2.3 禁忌搜索的优缺点  47-48
  4.3 基于遗传禁忌算法的贝叶斯网络边定向方法  48-56
    4.3.1 GATS 算法的基本思想  48-49
    4.3.2 GATS 算法的具体实现  49-53
    4.3.3 GATS 算法与SGA 算法的对比实验  53-54
    4.3.4 GATS 算法在航班延误中的应用  54-56
  4.4 本章小结  56-57
第五章总结  57-59
  5.1 本文的总结  57
  5.2 下一步的工作展望  57-59
参考文献  59-63
致谢  63-64
在学期间研究成果与发表论文  64

贝叶斯网络结构学习方法的研究

内容摘要

全文目录

相似论文