基于贝叶斯网络的个人生活数据分析

摘要

当今社会，人们的日常生活日益多元化，运动、网购、游戏、读书、社交等日常行为越来越多地影响人们的日常生活。随着互联网和智能设备的发展与普及，可以方便地采集人们日常生活中所产生的数据，这些数据中隐藏着许多关于个人的信息，通过对这些信息的分析，可以有效地改善人们的生活质量。贝叶斯网络作为一种广泛应用的不确定知识表示模型，提供了一种表示变量间因果关系的方法，用来发现隐藏在数据中的知识。本文对贝叶斯网络结构学习算法和联合树推理算法进行了相关研究，并将其应用于个人日常生活数据的分析。
　　针对现有贝叶斯网络结构学习算法的不足，本文提出了两种改进算法:混合结构学习算法和增量学习算法。现有结构学习算法大多未充分考虑图连通性，存在易丢失弱连通边的不足，且边方向的确定方法具有局限性，导致学习结果准确率较低，本文结合依赖分析方法和评分-搜索方法，提出了一种基于贪婪搜索的混合结构学习算法(NITD0)，有效提高了学习结果的准确率;日常生活数据随着时间地推移，数据量逐渐增加，针对这种特性，本文提出了一种增量学习算法(ISL)，利用已学习出的结构信息，结合增量数据进行增量学习，进一步提高了算法的准确率和时间效率。同时，基于增量学习算法，本文设计并实现了一个针对静态数据的多阶段学习方法，可在静态数据集上获得较高的准确率。
　　联合树推理算法作为一种贝叶斯网络精确推理算法，三角化操作是其关键环节，该操作与节点的删除顺序有关，针对简单遗传算法存在收敛速度慢和早熟等不足，本文提出了一种自适应遗传算法(TAGA)，运用改进的线性排序选择算子进行个体选择，并提出了一种新的自适应交叉算子，结合种群迁移策略，有效提高了遗传算法的收敛性能，并缓解了早熟现象。
　　最后，将贝叶斯网络与日常生活数据相结合，针对采集的真实个人日常生活数据集进行建模和分析，说明了贝叶斯网络在日常生活数据分析中的有效性。

目录

声明

摘要

第1章 引言

1．1 研究背景与意义

1．2 研究现状

1．2．1 个性化推荐

1．2．2 健康管理

1．2．3 贝叶斯网络

1．3 研究内容

1．4 论文组织结构

第2章 相关技术概述

2．1 贝叶斯网络简述

2．2 贝叶斯网络及其结构模型

2．3 贝叶斯网络结构学习

2．4 贝叶斯网络参数学习

2．4．1 贝叶斯方法

2．4．2 最大似然估计

2．5 贝叶斯网络联合树推理

2．6 本章小结

第3章 贝叶斯网络混合结构学习算法

3．1 引言

3．2 基本概念

3．3 混合结构学习算法

3．3．1 基于最大信息系数的初始化

3．3．2 网络增厚

3．3．3 冗余边去除

3．3．4 基于评分-搜索的边方向确定

3．3．5 基于模拟退火算法的优化

3．4 算法分析

3．5 实验分析

3．5．1 实验环境及实验数据集

3．5．2 实验结果分析

3．6 本章小结

第4章 贝叶斯网络增量学习算法

4．1 引言

4．2 增量学习算法

4．2．1 基于贪婪搜索的修正算法

4．2．2 基于贪婪搜索的边增加算法

4．2．3 基于模拟退火算法的优化

4．3 正确性分析

4．4 多阶段结构学习

4．5 实验分析

4．5．1 实验环境与实验数据集

4．5．2 增量学习实验结果分析

4．5．3 多阶段学习实验结果分析

4．6 本章小结

第5章 贝叶斯网络三角化优化算法

5．1 引言

5．2 三角化过程

5．3 基于自适应遗传算法三角化优化算法TAGA

5．3．1 编码

5．3．2 适应度函数

5．3．3 自适应交叉概率和变异概率

5．3．4 线性排序选择算子

5．3．5 自适应交叉算子触APOS

5．3．6 种群迁移

5．3．7 三角化优化算法TAGA

5．8 实验结果与分析

5．9 本章小结

第6章 个人日常生活数据分析

6．1 个人日常生活数据

6．1．1 自然行为

6．1．2 行为痕迹

6．2 日常生活数据的贝叶斯网络构建过程

6．3．1 相关概念

6．3．2 数据预处理算法

6．4 个人日常生活数据示例

6．4．1 行为贝叶斯网络示例

6．4．2 行为-属性贝叶斯网络示例

6．5 本章小结

第7章 总结与展望

致谢

参考文献