基于MBFO的贝叶斯网络结构学习研究

• 作 者: 李真
• 出 处: 哈尔滨工程大学
• 发表日期: 2004年期
• 关键词: 贝叶斯网络 结构学习 细菌觅食算法 目标识别

随着战场环境日益复杂,依靠单一传感器的识别方法的识别准确率受到限制,通常采用多传感器信息融合的方法来完成对目标更准确的判断。其中贝叶斯网络是进行多传感器信息融合的最有效的模型之一,而从多传感器观测到的样本数据中学习性能优异的贝叶斯网络模型是利用贝叶斯网络进行信息融合的前提,因此研究有效的贝叶斯结构学习算法有着重要理论和实际应用意义。本文主要研究贝叶斯网络结构学习算法,针对原有结构学习算法存在搜索效率较低且结构误差较大等问题进行改进,并引入专家知识辅助网络结构的构建,并将成果应用于目标信息融合识别领域。首先,针对基于细菌觅食优化(Bacteria Foraging Optimization,BFO)的结构学习算法存在由于采用固定搜索参数导致搜索效率较差的问题,对该算法的搜索策略进行改进,提出了基于多种群细菌觅食优化(Multi-population Bacteria Foraging Optimization,MBFO)的结构学习算法。并针对原算法中存在寻解空间较大的问题,采用了基于统计测试与Kent映射相结合的方法来生成初始解,在缩小寻解范围的同时使初始解能够均匀地分布在解空间中。最后通过仿真实验与人工蜂群算法、细菌觅食算法、ACO-E算法比较,实验结果表明本算法相比其他算法获得的网络结构误差更小,且在样本数据集较大时搜索速度要优于原算法,时间性能介于原算法与人工蜂群算法之间。其次,针对原结构学习算法没有利用专家先验信息来辅助构建网络,将基于MBFO的结构学习算法与专家先验信息相结合,通过设置自适应权衡项和基于熵的先验信息惩罚项来改进原有的BIC评分函数。另外在证据融合阶段采用基于余弦相似度和熵的证据合成方法,避免证据信息融合时出现的悖论问题。最后通过仿真实验与不采用专家先验知识的MBFO算法和采用不同评分函数的MBFO算法进行比较,实验结果表明采用本文算法与其他算法相比获得的结构误差更小,并对错误先验有着更好的适应能力。最后,将融合先验信息的MBFO结构学习算法应用在目标识别领域,用生成的测试数据进行实验。仿真结果表明,利用融合先验信息的MBFO结构学习算法学习到的目标识别网络的识别准确率要优于利用基于BFO的结构学习算法构建的目标识别网络,说明构建的网络结构更优,验证了融合先验信息的MBFO结构学习算法的有效性。