贝叶斯网络结构学习的双重K2算法

贝叶斯网络源于人们对人工智能领域不确定性问题的研究,是进行不确定问题推理和数据分析的重要工具。结构学习是贝叶斯网络研究的核心内容,K2算法是结构学习的经典算法之一。为解决K2算法学习效果强烈依赖于节点序的问题,本文提出一种新的混合结构学习算法：双重K2算法。该算法首先将节点信息作为初始节点序,通过K2算法的搜索策略得到初始网络结构;然后在初始网络结构上利用拓扑排序得到修正后的节点序;最后K2算法通过修正后的节点序学习得到最优的网络结构。通过实验验证,在精度和效率上,双重K2算法效果优于其它经典算法。     

K2算法在贝叶斯网络结构学习中的改进研究

针对K2算法学习贝叶斯网络(BN)结构苛刻的先验节点顺序条件,提出先验信息重构方法来提高算法适用性,让K2算法得到更加精准的网络结构。对于K2算法在较小样本数据中结构精度低的问题,使用模拟退火(SA)算法对其进行优化。利用重构先验信息构建初始网络结构,改进SA算法的邻域求解方法,以求得网络的最优结构。通过学习4个BN结构,将改进的混合算法分别与K2算法和马尔可夫链蒙特卡洛(MCMC)算法进行优劣仿真比较。仿真结果表明:在相同的网络结构和先验条件下,该文改进的混合算法都能更好地识别网络结构,在各网络结构中无论先验经验是否准确,在结构精确度和海明距离方面都具有较强的学习能力。     

基于最小描述长度和K2的贝叶斯网络结构学习算法

为了找到既简约又客观的网络结构,在分析最小描述长度(MDL)测度和K2算法特点的基础上,提出了一种将MDL与K2算法相结合的贝叶斯网络结构学习算法(KMBN).实验结果表明,KMBN算法在时间复杂性和可靠性方面都优于传统的K2算法和基于K2与模拟退火的贝叶斯网络结构学习算法.     

基于MMHC算法的贝叶斯网络结构学习算法研究

贝叶斯网络是人工智能领域研究不确定环境下知识表示和因果推理的有效工具之一,迄今为止已经提出了许多贝叶斯网络结构学习算法.MMHC算法是一种较新的贝叶斯网络结构学习算法,该算法的评分搜索阶段应用了贪婪搜索算法,但该算法容易陷入局部最优而无法得到全局最优网络,针对该缺点,在MMHC算法的评分搜索阶段应用模拟退火、随机重启爬山搜索、禁忌搜索3种搜索策略取代贪婪搜索,详尽的实验结果表明在MMHC算法中这3种搜索算法的效果普遍优于贪婪搜索,其中模拟退火搜索学习效果最好,MMHC算法的评分搜索阶段可以用模拟退火搜索替代贪婪搜索达到提升算法的学习效果.     

一种快速收敛的改进贝叶斯优化算法

针对贝叶斯优化算法(BOA)中学习贝叶斯网络结构时间复杂度较高的问题,提出了一种可以快速收敛的基于K2的贝叶斯优化算法(K2-BOA).为了提升收敛速度,在学习贝叶斯网络结构的步骤中进行了2处改进:首先,随机生成n个变量的拓扑排序,加大了算法的随机性;其次,在排序的基础上利用K2算法学习贝叶斯网络结构,减少了整个算法的时间复杂度.针对3个标准Benchmark函数的仿真实验表明:采用K2-BOA算法和BOA算法解决简单分解函数问题时,寻找到最优值的适应度函数评价次数几乎相同,但是每次迭代K2-BOA算法运行速度提升明显;当解决比较复杂的6阶双极欺骗函数问题时,K2-BOA算法无论是运行时间还是适应度函数评价次数,都远小于BOA算法.     

基于混合改进鸟群算法的贝叶斯网络结构学习

针对贝叶斯网络结构学习中寻优效率低下、易陷入局部最优的缺陷,提出了一种基于混合改进鸟群算法的贝叶斯网络结构学习算法.首先,通过互信息约束算法迭代初始网络;其次,改进鸟群算法,在经典鸟群算法中加入自适应惯性权重,随着迭代次数的增加动态调整搜索空间、改变收敛速度;最后,将改进的鸟群算法作为搜索策略,进行贝叶斯网络结构寻优.实验结果表明:改进的算法在寻优过程中不仅有较好的准确率和较快的收敛速度,而且具有良好的全局寻优能力.     

一种增强贝叶斯网络结构学习的自动变量序调整算法

现有的混合结构学习算法受制于变量的邻居集,导致混合结构学习算法在约束学习阶段,若变量的邻居集没有包含真实结构的节点,该节点将再也不会被考虑.为改进这一问题,通过探索贝叶斯网络结构与节点影响度间存在的可能性关系,设计基于节点影响度的变量序调整方法并将调整后的变量序应用于网络结构学习.调整后的变量序在减少搜索空间的同时,也改善了传统约束空间过于依赖变量邻居集的问题,进而提升网络结构的学习质量.实验结果表明,该算法能有效地提升现有混合结构学习算法的精度,同时也验证了从节点影响度的角度去探索贝叶斯网络结构图的可行性.     

基于贝叶斯网络的列控车载设备故障诊断

针对目前高速铁路列控车载设备故障诊断过度依赖于专家经验且诊断正确率不高等问题,提出了以专家知识为基础,以贝叶斯网络为核心的故障诊断方法.首先,以CTCS3-300T型列车运行控制系统的车载设备为研究对象,建立基于专家知识的贝叶斯网络.其次,根据故障记录数据集使用K2算法进行结构学习并对学习后的贝叶斯网络结构做适当简约处理.利用极大似然估计算法进行参数学习,得到故障诊断的最优贝叶斯网络.最后,通过诊断推理,得到该故障诊断模型的诊断正确率为88.20％,验证了该贝叶斯网络模型的可行性和有效性.     

基于贝叶斯网络的大学生共享单车出行行为研究

为研究大学生共享单车出行行为,以福州市大学城各高校学生为研究对象,利用问卷调查采集各年级学生共享单车出行数据.首先,基于所获得的数据计算各节点的互信息值,假设贝叶斯网络参数服从Dirichlet分布,采用K2算法进行贝叶斯网络结构学习,利用贝叶斯估计法进行贝叶斯网络的参数学习,从而构建大学生共享单车出行行为的贝叶斯网络.然后,利用所构建的网络进行共享单车出行方式预测,计算该模型的预测值与实际值的误差,分析模型的精度,且与常用的Logit模型预测结果进行比较.最后,在所构建的网络模型基础上,应用联合树引擎分析是否拥有私人交通工具、出行距离等影响因素对大学生共享单车出行行为的影响.分析结果表明,贝叶斯网络学习精度较高,比Logit模型预测结果更有效.     

爬山法与模式蚁群法混合的贝叶斯优化算法

针对传统贝叶斯优化算法进化效率低及收敛速度慢的情况,提出一种新型混合贝叶斯优化算法.该算法利用适应度遗传及个体的局部搜索方法,使种群个体趋向于全局最优解,提高了进化效率.为提高贝叶斯优化算法中贝叶斯网络结构学习的效率,提出一种爬山法和模式蚁群算法相结合的网络结构学习方法,同时对新型贝叶斯优化算法的收敛性进行了分析.利用典型的函数对提出的新型混合贝叶斯优化算法进行了仿真分析,证明了所提出的方法可以有效地加快算法的收敛速度和收敛精度.将该算法应用于目标分配问题中,仿真证明了所提算法的有效性和优越性.