基于多子网优化组合的贝叶斯网络结构与学习模型研究

• 作 者: 王国勇
• 出 处: 华南理工大学
• 发表日期: 2004年期
• 关键词: 贝叶斯子网 概率相似性 组合优化

贝叶斯网络最初是作为处理专家系统中不确定性的工具而被提出的，在近20多年来，也提出了许多高效的学习算法，而尽管这些研究方法在构建贝叶斯网络时都有较好的建网效果和较高的准确性，但是当结点数较大，其运算复杂性也呈现明显的增长。本文将融合基于搜索评分和基于互信息的学习算法的优势，对较多的变量进行分类并分别构建贝叶斯子网，探讨贝叶斯子网络结构学习组合优化的算法模型，以达到降低搜索空间用时与运算复杂度的目标。本文首先研究贝叶斯网络结构学习算法。经典的基于搜索--评分的贝叶斯网络结构学习算法必须依赖结点的次序，同时搜索的空间随着变量的增加呈指数增长。本文提出改进因结点数量大而使结构复杂多样的贝叶斯网络分割组合算法，将高维变量样本的建网问题分割为若干个子网组建问题，从而降低贝叶斯网络构建的维度。基于信息论的依赖分析学习方法主要根据变量之间的依赖性建立贝叶斯网络结构，但因计算量的复杂性而得不到很好的提升。本文通过引入概率定义的两类相似性，以表现变量之间存在的内在因果关系，在给定类变量数阈值条件下，对变量进行聚类分析并对各个类别构建贝叶斯子网络，以降低运算复杂度，减少搜索用时。贝叶斯子网分割组建可能限制了网络结点的部分连接关系。本文通过对变量聚类法得到的结果，比较每个类中变量与其它类中变量之间的内在因果关系的强弱，从每个贝叶斯子网络中选取一个或以上的关键结点，对这些关键结点进行贝叶斯网络建构，从而把所有的贝叶斯子网联系起来，使多个子网组合成为一个大的贝叶斯网络，从中探索和研究贝叶斯子网之间如何进行组合优化。最后探究贝叶斯子网分割组合构建的可行性与有效性，在UCI数据的样本支持下，将多子网组建的贝叶斯网络与用经典方法建立贝叶斯网络进行对比分析，在算法复杂度、耗时、结构简化、分类推理正确率等方面进行分析。实验结果表明，本文方法构建的网络结构分类推理正确率达到95.65%。