贝叶斯网络参数学习中的噪声平滑

• 作 者: 王双成 冷翠平 杜瑞杰
• 机 构: 上海立信会计学院数学与信息学院,上海立信会计学院开放经济与贸易研究中心,
• 出 处: 系统仿真学报
• 发表日期: 2009年16期
• 关键词: Bayesian network parameter learning Gibbs sampling Markov blanket noise smoothin

对于存在噪声的贝叶斯网络参数学习,目前主要通过调整贝叶斯网络的结构来增强其抗噪声能力,但调整后的结构往往会降低网络的可靠性,不易实现持续学习,而且不能从源头上排除或减少噪声对参数的影响。将贝叶斯网络与Gibbs抽样相结合,以变量作为基本单位,使用马尔科夫毯提供的信息平滑一个变量对应的数据,可有效地避免上述问题。