结构学习

摘要： 构建客观、准确的绿色建筑项目风险网络有利于对项目风险进行整体管控。针对绿色建筑项目风险网络构建缺乏客观性这一问题,在识别出项目风险因素的基础上,利用Bayesian网络结构学习从项目实地风险因素调查数据中挖掘客观的风险因素网络;其次利用社会网络分析方法分析绿色建筑项目风险因素网络中不同因素的地位和作用并构建了风险的解释结构模型。结果表明,绿色建筑项目风险因素网络中不同因素的地位和作用存在差异;网络中存在作为切割点的风险因素;绿色建筑项目的解释结构模型分为四个层级,风险因素网络中高层级的风险因素属于独立性因素,而底层的风险因素为联系型因素。研究基于数据驱动的风险因素网络发现为绿色建筑项目管理者提供了新的风险管理思路和借鉴。

摘要： 贝叶斯网络源于人们对人工智能领域不确定性问题的研究,是进行不确定问题推理和数据分析的重要工具。结构学习是贝叶斯网络研究的核心内容,K2算法是结构学习的经典算法之一。为解决K2算法学习效果强烈依赖于节点序的问题,提出一种新的混合结构学习算法:双重K2算法。首先将节点信息作为初始节点序,通过K2算法的搜索策略得到初始网络结构;然后在初始网络结构上利用拓扑排序得到修正后的节点序;最后K2算法通过修正后的节点序学习得到最优的网络结构。实验结果表明:在精度和效率上,双重K2算法效果优于其他经典算法。

摘要： 随着网络数据的快速增长,大规模异构网络数据的存储和网络表示已成为研究的热点。现提出两个不同的任务:生成图摘要和生成图的节点表示。图摘要的目标是找到用于压缩存储和加速查询的输入图的紧凑表示;网络表示可以很好地提取网络数据中的结构信息,并为下游任务生成节点表示。但是,在大规模网络数据中,在生成图摘要和嵌入表示时仍需要解决一些挑战。为克服大规模异构网络数据带来的科学计算和存储空间问题,提出基于特征加强的异质网络潜在摘要模型(FELS),通过融合节点特征和图属性获得大规模异构网络数据的摘要表示。首先,将原图中不同的节点特征作为基础特征,通过应用多种关系算子捕获高阶子图结构信息;然后,根据不同的图属性通过桶映射方式学习上下文的潜在子空间结构;最后,对学习到的上下文特征矩阵利用奇异值分解获取异构网络的潜在摘要表示,即一种独立于输入图大小维度紧凑的潜在图摘要,同时能够获取节点表示。实验结果表明,与传统方法相比,提出的FELS模型能够获得更优质的潜在摘要且具有更低的模型复杂度,在链路预测任务上具有更高的效率和精度。

摘要： 针对目前主流的利用启发式搜索算法进行贝叶斯网络结构学习时,初始种群难以确定且容易陷入局部最优的问题,提出了基于部分互信息和改进差分进化算法相结合的混合算法.算法首先利用节点之间的部分互信息为依据构建初始种群,再将动态因子引入差分进化算法平衡了算法的全局寻优和局部搜索能力,最后对贝叶斯网络结构进行寻优.在两个标准网络Asia和Car网络中进行仿真,并与遗传算法和爬山算法进行对比,仿真结果表明算法在冗余边、缺失边、反向边以及算法的学习性能方面均有不同程度的提升,算法能够得到较好的贝叶斯网络结构,并有更高的数据拟合度.

摘要： 针对目标威胁评估中信息表达的不确定性以及威胁评估模型专家网络结构的主观性,提出一种基于结构学习的动态云贝叶斯网络评估模型.首先,利用云模型良好的知识表达能力定量描述不确定连续性信息;其次,使用爬山算法进行结构学习,综合专家提出的网络结构构建贝叶斯网络;接着引入时间变量,将其扩展成为动态贝叶斯网络,然后用最大似然概率估计算法学习网络参数;最后,利用联合树算法对动态云贝叶斯网络进行推理评估.仿真结果表明,该模型能够有效的对观测信息进行威胁评估,具有合理性和可行性.

摘要： 在初中英语课堂教学中,合作学习较之"闭门造车",能集小智慧为大智慧,不仅能活跃课堂氛围,而且能使英语教学事半功倍.合作学习的模式有很多种,教师可以根据需要通过项目合作学习法、小组调查学习法、结构学习法等,提高学生的课堂参与度,促进教师的"教"及学生的"学",有效实现初中英语课堂合作教学.

摘要： 针对贝叶斯网络结构学习中寻优效率低下、易陷入局部最优的缺陷,提出了一种基于混合改进鸟群算法的贝叶斯网络结构学习算法.首先,通过互信息约束算法迭代初始网络;其次,改进鸟群算法,在经典鸟群算法中加入自适应惯性权重,随着迭代次数的增加动态调整搜索空间、改变收敛速度;最后,将改进的鸟群算法作为搜索策略,进行贝叶斯网络结构寻优.实验结果表明:改进的算法在寻优过程中不仅有较好的准确率和较快的收敛速度,而且具有良好的全局寻优能力.

摘要： 贝叶斯网络是一种描述变量间不确定性因果关系的概率图模型,广泛应用于预测、推理、诊断、决策风险及可靠性分析等领域.结构学习作为构建贝叶斯网络的基础,被证实为非确定多项式难题.文中将贝叶斯网络结构学习按照数据量大小分为完备数据和缺失数据,将完备数据下的贝叶斯网络结构学习分为近似学习算法和精确学习算法.根据上述分类方法,对现有算法及其相关的改进算法进行总结与分析对比.

摘要： 为解决单一结构学习算法中普遍存在的学习效果差、易陷入局部最优等问题,本文通过引入最大信息系数MIC(Maximal Information Coefficient)和集成学习思想,提出了一种新的贝叶斯网络结构学习算法.该算法首先利用MIC确定节点间的依赖关系并得到初始网络,接着使用Bootstrap方法对数据样本进行采样获得若干样本集.依次使用每个样本集,在给定初始网络的基础上,通过BDe评分和禁忌搜索算法训练生成贝叶斯网络并将其用邻接矩阵表示.进而利用集成学习策略,根据得到的若干邻接矩阵计算每条边的权重,并通过设定权重阈值得到集成学习结果.根据集成学习结果利用反馈策略更新初始网络并进入下一次迭代,经过不断迭代最终得到贝叶斯网络结构.最后在7种不同大小的标准数据集中进行实验,计算F1值(F1-score)、汉明距离HD(Hamming Distance)和学习到的正确边数(TP),并与其它算法进行对比分析.结果 表明本文提出的算法在可行性、有效性和普适性上更优.

摘要： 提出一种基于动态约束模型的贝叶斯网络结构优化算法.通过构建结构搜索空间约束模型,一方面利用互信息和独立性测试双重检验手段辨识节点依赖关系,限制马尔科夫覆盖的候选节点集合,缩小结构搜索空间规模,另一方面通过改进基于粒子群算法的结构搜索方式,设计粒子动态更新方程和局部搜索跳出机制,可以达到保持结构多样性,避免陷入局部最优的效果.采用2种标准网络对算法性能进行测试,实验结果表明该方法在收敛效果和学习精度上均有良好表现.

摘要： 目的：探讨基于bootstrap重抽样方法的贝叶斯网络结构学习算法构建网络的性能,并将其应用于卵巢癌基因表达谱数据分析.方法：通过模拟实验和实例验证本文给出的算法构建网络的有效性,同时将这种算法应用于构建基因调控网络.结果：模拟实验显示,在样本量较小的情况下,基于bootstrap算法构建的贝叶斯网络明显优于普通贝叶斯方法构建的网络;实例分析结果也表明,应用本文的方法能够得到有价值的网络结构.结论：应用本文给出的算法能够在样本量较少的情况下得出准确度较高的网络,同时能够给出网络结构中各条边置信度的估计值.

摘要： 针对现有学习方法对完全时间不对称数据的动态贝叶斯网络学习不具有实用性，提出了借助传递变量来进行完全时间不对称数据的动态贝叶斯网络结构学习。该方法首先结合星形结构和Gibbs抽样进行相邻时间片间的传递变量学习，在此基础上，基于结点捧序和局部打分一搜索再进行动态贝叶斯网络局部结构学习，最后通过时序扩展便可实现动态贝叶斯网络结构学习。

摘要： 在微生物基因组中,为了解决功能RNA(fRNA)基因的预测中的计算复杂性,提出了一种具有结构学习的神经模糊推理模型(NFMSL).通过在多层前馈神经网络结构中嵌入Takagi-Sugeno型模糊推理系统,网络中前四层可用来构建所谓的模糊盒子.提出了优势特征的概念,并基于面向问题的启发式知识,以修改模糊集结构中的元选择算子.相应的结构学习算法可将输入空间分割为适当数量的具有重叠边界的优势模糊盒子.作为一个实际例子,NFMSL计算模型被应用于预测大肠杆菌(E.coli)的新的fRNA基因.在基于NFMSL的基因发现方法中,首先将大肠杆菌与伤寒沙门氏菌(S.typhi)进行同源性序列比对,然后从其中的高度保守序列中,抽取出线性序列与二级结构特征.通过5种不同的训练和测试方案以及相应的组合实验发现,基于NFMSL的基因发现的方法能够准确地预测和标注E.coli.中数十个新的fRNA候选基因.

摘要： 为了从数据中学习贝叶斯网络结构，人们提出了不同的结构评分函数用于贝叶斯网络结构的学习。本文通过对贝叶斯网络节点间关联强度的分析研究，提出了一种新的网络结构评分函数，即贝叶斯条件概率统计评分函数(BCPS)，并给出了BCPS评分函数的严密计算公式。利用BCPS、BIC、BDe评分函数和K2结构学爿算法学习Asia网和Alam网的网络结构，学习结果表明，BCPS评分函数能够正确评价数据和结构的拟合程度，且K2-BCPS结构学习算法的稳定性优于K2-BIC结构学习算法，精确度优于K2-BDe结构学习算法。

摘要： 图形结构的贝叶斯网络,是基于概率和统计理论的决策工具。贝叶斯方法是一种非常有代表性的不确定性知识表示和推理方法,是人工智能领域不确定性推理和建模的一种有效工具。利用贝叶斯网络对事件或属性间带有不确定性的相互关系进行建模和推理在决策、实现特征融合、进行分类的数据分析领域得到广泛应用。综合性地论述了目前贝叶斯网络的发展状况、推理、结构学习、贝叶斯网络的特点及其在人工智能方面的理论应用。

摘要： 本文提出将自组织模糊神经网络(SCFNN)应用于网络控制系统中远程控制器的设计.SCFNN的学习过程包括结构学习和参数学习两个阶段.结构学习的目的是对输入空间进行合理的模糊划分,而参数学习是通过有监督梯度下降算法来调整模糊规则中结论部分中的权值以及隶属度函数的参数.在最初的SCFNN中只有输入节点和输出节点,而没有任何隶属度函数和规则的节点.在学习过程中逐渐地生成了中间层节点,从而动态地获得一组的模糊控制规则.本文对基于Profbus-DP网络的网络控制系统进行测试,并与修正Ziegler-Nichols法的优化结果进行比较,结果表明在对网络导致的延迟没有任何先验知识的情况下,用于网络控制系统中远程控制器设计的SCFNN能够获得满意的控制效果.

摘要： 针对神经网络结构设备的问题及一船结构学习方法的不足，该文提出了基于物种进化遗传算法的MLPNN结构进化设计方法。该方法融合了遗传算法与神经网络，具有训练速度快，适应性强的特点。仿真结果与实际应用表明该方法是有效的。

摘要： 从数据中学习贝叶斯网络(Bayesian Network BN)往往会因为搜索空间庞大而耗费大量的时间,本文利用基于最大信息熵结合案例推理(Case-based Reasoning CBR)的贝叶斯网络构造提出了一种构造贝叶斯网络的方法，避免了由于单纯利用最大相互信息原则将导致搜索终止于完全图。将其用于贝叶斯网络的构造中,结果表明有效地提高建模的效率和精度。

摘要： 从数据中学习贝叶斯网络(Bayesian Network BN)往往会因为搜索空间庞大而耗费大量的时间,本文利用基于最大信息熵结合案例推理(Case-based Reasoning CBR)的贝叶斯网络构造提出了一种构造贝叶斯网络的方法，避免了由于单纯利用最大相互信息原则将导致搜索终止于完全图。将其用于贝叶斯网络的构造中,结果表明有效地提高建模的效率和精度。

摘要： 从数据中学习贝叶斯网络(Bayesian Network BN)往往会因为搜索空间庞大而耗费大量的时间,本文利用基于最大信息熵结合案例推理(Case-based Reasoning CBR)的贝叶斯网络构造提出了一种构造贝叶斯网络的方法，避免了由于单纯利用最大相互信息原则将导致搜索终止于完全图。将其用于贝叶斯网络的构造中,结果表明有效地提高建模的效率和精度。

摘要： 概念图创建为用于开放领域知识中的文本理解的通用分类法。概念图中的节点包括实体和概念两者。边缘是从实体到概念，表明实体是概念的实例。本文中呈现了处理从开放域事实学习可解释关系以丰富和细化概念图的任务的实施方式。在一个或多个实施方式中，从开放域事实学习贝叶斯网络结构作为实体的事实和概念的关系词之间的可解释关系。在英文和中文数据集上进行了广泛的实验。与现有技术方法相比，所学习的网络结构基于英文和中文数据集两者上的实体的关系词来提高对实体概念的识别。

摘要： 一种基于深度学习的网页模式识别方法，包括以下步骤：以非格式化文本，网页的超文本标记语言的Text源码作为算法输入；将上述源码进行分词；设计堆叠降噪自动编码器，作为网页的特征学习算法；采用神经网络语言模型对SDAE的输入进行初始化；采用分类算法对通过SDAE学习到的文本特征向量进行分类；将上述分类结果进行输出。一种网页视觉结构学习方法，用机器学习的方法学习HTML的Text源码的结构，并以此学习网页的视觉结构。本发明用自然语言处理的方法处理人工语言，用深度学习的方法及神经网络语言模型对HTML的Text源码进行特征学习，通过本发明可对各类型网站，如博客、论坛、资讯等的网页模式进行精确识别。

摘要： 本发明公开一种融合多模态学习与多粒度结构学习的谣言检测方法及装置，该方法步骤包括：S01.获取待检测数据集中新闻信息的文本模态数据和图像模态数据；S02.分别提取文本模态数据和图像模态数据的单模态特征表示，并映射到同一个多模态特征空间，得到多模态特征表示；S03.从多模态特征表示中，提取文本模态和图像模态的数据结构特征，以及捕获文本模态和图像模态之间的跨模态特征关系；S04.根据数据结构特征以及跨模态特征关系，得到所有新闻信息的融合多模态特征表示；S05.将融合多模态特征表示输入到预先构建的谣言检测网络中，检测出新闻信息是否为谣言。本发明具有实现方法简单、检测效率与精度高且抗干扰性强等优点。

摘要： 一种基于深度学习的网页模式识别方法，包括以下步骤：以非格式化文本，网页的超文本标记语言的Text源码作为算法输入；将上述源码进行分词；设计堆叠降噪自动编码器，作为网页的特征学习算法；采用神经网络语言模型对SDAE的输入进行初始化；采用分类算法对通过SDAE学习到的文本特征向量进行分类；将上述分类结果进行输出。一种网页视觉结构学习方法，用机器学习的方法学习HTML的Text源码的结构，并以此学习网页的视觉结构。本发明用自然语言处理的方法处理人工语言，用深度学习的方法及神经网络语言模型对HTML的Text源码进行特征学习，通过本发明可对各类型网站，如博客、论坛、资讯等的网页模式进行精确识别。

摘要： 本发明公开了一种基于影像建筑物结构学习的三维面片模型构建方法，包括：获取建筑物的航空影像并处理获得航空正射影像和数字表面模型；构建建筑物屋顶线段检测网络模型，以提取出航空正射影像中建筑物屋顶矢量线段；采用基于梯度项约束的联合双边上采样方法去除数字表面模型中的异常噪声；将数字表面模型变换为对应的三维点云数据，根据三维点云数据拟合屋顶平面从而绘制建筑物屋顶场景分布的初始面元；将建筑物多边形分解为矩形区域；在每个矩形区域内以屋顶矢量结构线作为几何约束，联合屋顶的初始面元构建总体目标函数，再对总体目标函数局部最优求解，完成建筑物屋顶三维面片模型的构建。本发明给后续建筑物模型的精细重建提供了基础。

摘要： 本发明公开了一种基于互信息压缩的紧致图结构学习方法，包括以下步骤：S1、以两个基础视图作为模型输入；S2、利用视图评估器分别调整两个基础视图，得到两个评估后的视图；S3、将两个评估后的视图进行自适应聚合，得到最终视图；S4、利用互信息估计器最小化两个评估后的视图和最终视图中两两视图之间的互信息，利用三折优化确保最终视图最小且充分。本发明从理论上提出了“最小充分结构”的概念，并通过理论证明，给出得到最小充分结构的方法，同时保持所学图结构在下游任务上的准确性和鲁棒性。

摘要： 本发明公开了一种基于偏秩相关的流因果结构学习的燃气轮机故障预测方法，包括：1、以流的方法逐个读入监测节点数据；2、对每个监测节点使用基于偏秩相关的流因果结构学习方法，在监测节点集合中选择一组候选邻居监测节点集；3、对选择的候选邻居监测节点进行冗余性分析；4、重复执行步骤1‑3，直至监测节点的数量超过极限值，从而得到监测节点集的因果骨架图，再使用贪婪爬山搜索方法进行因果定向，最终获得相应的监测系统因果结构图。并基于该因果结构图训练相应的故障预测模型，从而得到每个测点的故障预测模型，以实现对故障进行更加准确的预测。本发明能获得更加精准的故障预测模型，从而能对故障进行更加准确的预测。

摘要： 本发明涉及一种类脑二值神经网络自动化结构学习方法，属于神经网络领域，包括以下步骤：S1：将基准模型进行二值化，包括权重与激活的二值化；S2：基于二值化基准模型建立多个并行前馈子网，将不同子网通过通道级的加权横向路径连接，由此得到初始的CBiNet模型结构；S3：根据不同应用任务的损失函数，结合基于横向路径连接分组稀疏正则化项，建立总的损失函数；S4：设置学习率后在训练集上训练CBiNet，当损失函数表现收敛后结束训练，得到具有稀疏横向路径连接的CBiNet；S5：在测试集上测试CBiNet。本发明构建的CBiNet可以提升二值化神经网络的特征表达能力，可使图像处理任务精度更高，准确率更强。

摘要： 本发明涉及计算机视觉图像处理领域，具体是一种基于动态化网络结构学习的黑盒攻击方法。提出了在无真实数据参与条件下的对于未知场景的目标黑盒模型的攻击方法。其中针对多样化的目标黑盒模型，提出了动态化网络结构学习的替代模型训练方法，自主性地生成最优的替代模型结构，并提出了基于结构化信息图的优化约束以提升替代模型的学习质量与效率，从而进一步提高其生成的对抗样本的攻击性能。该方法具有查询次数少、学习效率高、攻击成功率高等优点，非常适合无任何先验知识的黑盒攻击场景。

摘要： 本发明提供了一种基于图结构学习的缺失多视图子空间聚类方法及系统，包括：获取训练缺失多视图的特征数据集；依据特征数据集，基于多视图谱聚类和低秩表示学习得到每个视图数据的潜在表示和伪标签矩阵，通过多视图子空间聚类学习得到统一的相似性矩阵，构造基于图结构学习的缺失多视图子空间聚类目标函数；求解基于图结构学习的缺失多视图子空间聚类目标函数，得到相似性矩阵；获待聚类缺失多视图的特征数据集，在所述相似性矩阵的基础上施加秩约束，得到块对角矩阵，得到聚类结果本发明将潜在表示学习、谱嵌入和图聚类整合到一个统一的学习框架中，联合低秩表示和多视图子空间聚类学习得到最优图结构的聚类结果。