基于递归算法的贝叶斯网络结构学习

摘要

贝叶斯网络作为一种概率图形模型，是研究不确定性知识表达和推理的一个强有力工具，已经成功的应用于人工智能、生物信息、金融分析、机器学习和预测等多个领域．然而，仅仅通过专家领域来构建贝叶斯网络是相当困难的．因此，从数据中学习贝叶斯网络已经成为近年来研究的热点．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，探讨了目前已有的贝叶斯网络结构学习算法，对RAI算法和CS算法主要步骤进行了详细的描述和分析，同时总结了这两种算法各自的优点和缺点．
　　其次，基于 RAI算法和CS算法提出了一种新的联合递归学习贝叶斯网络结构算法 CRA，其主要通过递归调用两个函数来学习贝叶斯网络结构．第一是递归利用RAI函数对分解之后得到的祖先子结构进行学习；第二是递归利用RTL函数对祖先子结构和子孙子结构之间的结构以及子孙子结构内部结构进行学习；最终得到最佳的贝叶斯网络结构．同时提出了解决RAI算法中不可靠定向的算法．
　　最后，从理论上对提出的CRA算法进行了证明，同时在ALARM网络上进行仿真实验．实验结果表明，此算法不仅可以减少CI测试的次数，而且可以减少高阶测试的次数，从而增加条件独立测试的可靠性．与此同时，学习得到的网络结构含有较少定向错误的边．

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论文研究的背景和意义

1.2贝叶斯网络研究现状

1.3本文的主要内容和组织结构

第二章 贝叶斯网络的基本理论框架

2.1贝叶斯网络的知识表示和理论基础

2.2贝叶斯网络结构学习

2.3本章小结

第三章 基于递归方法的贝叶斯网络结构学习算法

3.1递归自主识别结构学习算法

3.2联合阶段算法学习贝叶斯网络结构

3.3本章小结

第四章 改进的贝叶斯网络结构学习算法

4.1联合阶段算法

4.2算法CIA

4.3联合阶段算法正确性证明

4.4算法实验设计与结果分析

4.5 本章小结

第五章 总结与展望

5.1工作总结

5.2研究展望

参考文献

致谢

攻读硕士学位期间的研究成果