一种混合贝叶斯网络的学习与推理方法

摘要

本发明涉及一种混合贝叶斯网络的学习与推理方法，包括：S1：采用有监督的自上而下的离散化算法CACC，来离散化连续变量；S2：采用Gibbs Sampling算法，用以解决不完整数据集的参数学习问题，得到了完整的混合贝叶斯网络模型；S3：采用马尔科夫链蒙特卡洛算法(MCMC)和联合树算法，作为混合贝叶斯网络推理算法，寻求更加适合应用场景的推理算法。本发明采用CACC算法离散化连续变量，保证了计算效率；本发明采用的不完整数据集的参数学习方法，简化了参数学习步骤，缩短了网络构建周期，并且避免了极端化数据的出现。本发明采用的两种混合贝叶斯网络推理方法，在精确率和及时率方面表现良好。