基于遗传算法的贝叶斯网络自适应知识建立与推理研究

摘要

贝叶斯网络是解决不确定性知识推理问题的主要模型。目前贝叶斯网络的研究一般针对结构或参数学习的某一分离问题展开，仍缺乏支持结构建立、参数学习、知识推理的一致性算法，使知识建立与应用过程无法联系与检验。本文通过分析贝叶斯网络学习以往的学习算法，针对其特点，提出基于遗传算法的贝叶斯网络自适应知识建立与推理的新算法，通过设计贝叶斯网络学习的编码方式，结合分析结构学习中连接矩阵的行交叉算子与列交叉算子对后续参数学习的影响，以及对有向图中增边，删边，变向等操作下，对各属性结点条件概率表的影响，设计出具有调整策略的交叉与变异算子，实现了每次结构学习后不需要重新从训练集进行参数学习，而直接在父代的基础上直接生成子代条件概率表，为解决知识推理无法反馈到学习过程中的缺点，设计具有推理误差反馈的适应函数，实现样本支持下的结构学习、参数学习中以推理正确率为评价指标的贝叶斯网络全过程建立。最后通过基于贝叶斯网络的地下燃气管网安全推理与诊断，建立贝叶期网络的数学模型，并编程实现该算法，把本文的算法应用于实际，根据项目的数据特点，在算法原型上提出了改进的模型算法，研究结果表明，新算法不仅可以同步优化网络结构与参数，且可以自适应推理误差的学习修正，有着更满意的知识推理正确率。

目录

文摘

英文文摘

声明

第一章 绪论

1.1 选题背景

1.2 主要研究内容

本章小结

第二章 贝叶斯网络概述

2.1 贝叶斯网络的基本知识

2.2 贝叶斯网络的结构学习方法

2.2.1 基于打分—搜索的学习方法

2.2.2 基于依赖分析的学习方法

2.2.3 混合结构学习方法

2.3 贝叶斯网络的参数学习

2.3.1 最大似然估计

2.3.2 贝叶斯方法

2.4 贝叶斯网络的推理

本章小结

第三章 遗传算法的基本理论

3.1 遗传算法的基本概述

3.1.1 整体优化问题

3.1.2 遗传算法的基本流程

3.1.3 遗传编码

3.1.4 适应函数

3.1.5 遗传算子

3.2 多目标遗传优化

3.2.1 多目标优化的基本概念

3.2.2 多目标优化的基本求解方法

3.2.3 适应性权重方法

本章小结

第四章 基于遗传算法的贝叶斯网络自适应知识建立与推理研究

4.1 基本思想

4.2 遗传编码

4.3 基于连接矩阵的无环性检查算法

4.4 初始化种群(最大权重跨度树)

4.5 连接矩阵的交叉算子

4.6 连接矩阵的变异算子

4.7 连接矩阵的交叉变异算子调整策略

4.8 条件概率表的变异算子

4.9 选择算子

4.10 适应值函数

4.11 算法流程及框架

本章小结

第五章 基于贝叶斯网络的地下燃气管网安全推理与诊断

5.1 地下燃气管网安全推理与诊断的研究概述

5.2 地下燃气管网安全知识推理与诊断的贝叶斯网络模型

5.2.1 模型的主要变量

5.2.2 模型的评价指标

5.2.3 地下燃气管网安全知识推理与诊断的多目标模型建立

5.2.4 地下燃气管网安全知识推理与诊断的的多目标模型结果对比与分析

5.3 燃气管网安全知识推理与诊断的改进多目标模型

5.3.1 数据分析

5.3.2 地下燃气管网安全知识推理与诊断的改进多目标模型及结果分析

5.4 原模型与改进后模型结果对比

5.5 地下燃气管网安全的正向推理与逆向推理

本章小结

结论

参考文献

读硕士学位期间取得的研究成果

致谢