基于缺失数据的贝叶斯网络结构学习

摘要

作为一类特殊的图模型，贝叶斯网络已逐渐成为不确定性知识表达和推理的重要工具，并成功应用于金融数据分析、机器学习、人工智能以及预测决策等众多领域.在处理实际问题时，首要任务是成功建立网络模型，因此本文在深入研究贝叶斯网络相关理论的基础上，着重研究贝叶斯网络结构的学习机制，提出了一种新的贝叶斯网络结构学习算法.主要工作有：
　　首先探讨了已有的贝叶斯网络结构学习算法，详细分析了它们的学习机制以及各自的优缺点.
　　其次详细地描述和分析了基本的ABC算法和DE算法，基于此提出了学习贝叶斯网络结构的HABC算法.算法结合ABC算法的强探索能力和DE算法的强开发能力，提出了新的蜜源更新策略，并在观察蜂阶段采用自适应的选择策略.HABC算法既加快了收敛速度，又保持了ABC算法强大的全局寻优能力，且自适应的选择策略又保证了种群的多样性.在经典的alarm网络上进行了数值实验，结果表明：HABC算法不仅加快了算法的收敛速度，而且由于其具有跳出局部循环的能力，与其它算法相比算法的精度也有所提高，证明了算法的准确性以及有效性.
　　最后结合SEM算法的思想以及HABC算法的良好性能，提出了基于缺失数据学习贝叶斯网络结构的EHABC算法.算法通过EM程序与HABC搜索程序的相互迭代来实现，并采用一种新的初始最优网络的选择方法，且将上一次迭代的种群作为HABC搜索程序的初始种群进行搜索更新.在经典 alarm网络上的仿真实验表明：EHABC算法的精度比EBN算法高，而且与其它已有的大部分算法相比，EHABC算法不仅结果精度高且运行时间短.

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1 论文研究的背景及意义

1.2 贝叶斯网络研究现状

1.3 本文的主要工作和结构安排

第二章 贝叶斯网络的基本理论

2.1 贝叶斯网络的理论基础

2.2 贝叶斯网络参数学习

2.3 贝叶斯网络结构学习

2.4 本章小结

第三章 混合蜂群算法学习贝叶斯网络结构

3.1 前言

3.2 基本的人工蜂群算法和差分进化算法描述

3.3 基于混合蜂群算法学习贝叶斯网络结构

3.4 本章小结

第四章 缺失数据下的贝叶斯网络结构学习

4.1 不完备数据下的BN学习研究现状

4.2 缺失数据下学习贝叶斯网络结构的EHABC算法

4.3 本章小结

第五章 总结与展望

5.1 论文的工作总结

5.2 展望

参考文献

致谢

作者简介