导读:本文包含了贝叶斯网络结构学习算法论文开题报告文献综述及选题提纲参考文献，主要关键词:贝叶斯网络结构学习,动态规划算法,马尔科夫毯,IAMB算法
贝叶斯网络结构学习算法论文文献综述
谭翔元,高晓光,贺楚超[1]（2019）在《基于马尔科夫毯约束的最优贝叶斯网络结构学习算法》一文中研究指出本文针对最优贝叶斯网络的结构学习问题,在动态规划算法(Dynamic Programming,DP)的基础上,使用IAMB算法(Incremental Association Markov Blanket,IAMB)计算得到的马尔科夫毯对评分计算过程进行约束,减少了评分的计算次数,提出了基于马尔科夫毯约束的动态规划算法(Dynamic Programming Constrained with Markov Blanket,DPCMB),研究了IAMB算法中重要性阈值对DPCMB算法的各项性能指标的影响,给出了调整阈值的合理建议.实验结果表明,DPCMB算法可以通过调整重要性阈值,使该算法的精度与DP算法相当,极大地减少了算法的运行时间、评分计算次数和所需存储空间.(本文来源于《电子学报》期刊2019年09期）
严智,张鹏,谢川[2]（2019）在《基于Jaya的贝叶斯网络结构学习算法研究》一文中研究指出基于评分搜索的贝叶斯网络结构学习算法通常需要调参,导致计算量增大且不当的参数易使算法陷入局部最优。针对这一问题,将无需调参的Jaya算法应用于贝叶斯网络结构学习。在Jaya算法的框架下,结合遗传算法的交叉变异思想重新设计了个体更新策略,使Jaya算法能够应用于结构学习这一离散优化问题,并结合马尔科夫链的相关理论讨论了所提算法的敛散性。实验结果表明,该算法能有效应用于贝叶斯网络结构学习。(本文来源于《计算机工程与应用》期刊2019年19期）
刘彬,范瑞星,刘浩然,张力悦,王海羽[3]（2019）在《基于混合樽海鞘-差分进化算法的贝叶斯网络结构学习算法》一文中研究指出针对目前利用启发式算法学习贝叶斯网络结构易陷入局部最优、寻优效率低的问题,提出一种基于混合樽海鞘-差分进化算法的贝叶斯网络结构学习算法。该算法在种群划分阶段提出自适应的规模因子平衡局部搜索与全局搜索,在子种群更新阶段利用改进的变异算子与交叉算子构建樽海鞘搜索策略与差分搜索策略,更新不同的子种群,在合并子种群阶段利用两点变异算子增加种群多样性。由算法的收敛性分析可知,通过种群的迭代搜索可以找到最佳结构。实验结果表明,与其他算法相比,所提算法收敛精度与寻优效率均有提升。(本文来源于《通信学报》期刊2019年07期）
刘浩然,张力悦,范瑞星,王海羽,张春兰[4]（2019）在《基于改进鲸鱼优化策略的贝叶斯网络结构学习算法》一文中研究指出针对当前贝叶斯网络结构学习算法易陷入局部最优和寻优效率低的问题,该文提出一种基于改进鲸鱼优化策略的贝叶斯网络结构学习算法。该算法首先提出一种新的方法建立较优的初始种群,然后利用不产生非法结构的交叉变异算子构建适用于贝叶斯网络结构学习的改进捕食行为,同时采用动态调节参数增强算法个体寻优的能力,通过适应度排序更新种群,最终获得最优的贝叶斯网络结构。仿真结果表明,该算法具有全局收敛性,寻优效率高,精确率高于其它同类优化算法。(本文来源于《电子与信息学报》期刊2019年06期）
刘彬,王海羽,孙美婷,刘浩然,刘永记[5]（2018）在《一种通过节点序寻优进行贝叶斯网络结构学习的算法》一文中研究指出针对K2算法过度依赖节点序,遗传算法节点序寻优效率差的问题,该文提出一种直接对节点序进行评分搜索的贝叶斯结构学习算法。该算法以K2算法为基础,首先通过计算支撑树权重矩阵,构建能够定量评价节点序的适应度函数。然后通过提出混合交叉策略和孤立节点处理机制,同时利用动态学习因子和倒置变异策略,提升遗传算法节点序寻优的性能。最后将得到的节点序作为K2算法的先验知识得到最优贝叶斯网络结构。仿真结果表明,该方法解决了K2算法依赖先验知识的问题,相比于其它优化算法,评分值平均增加了13.11%。(本文来源于《电子与信息学报》期刊2018年05期）
王俊[6]（2018）在《基于杂交水稻算法的贝叶斯网络结构学习研究》一文中研究指出对贝叶斯网络进行学习是一个NP难问题。当数据集比较大时,贝叶斯网络的节点数和边数会变得错种复杂,紧紧依靠专家去构建贝叶斯网络将十分消耗人力,并且会遗漏一些关键的关系。因此,通过使用有效的算法在数据集上进行结构学习是当前研究的主要方向。贝叶斯网络学习主要分为结构学习和参数学习两部分,而参数学习往往要求网络的结构事先确定,因此结构学习是贝叶斯网络研究的核心。在贝叶斯网络结构学习中经典的算法有K2算法,爬山算法,粒子群算法,MWST算法,但这些算法在某些应用方面有着明显的不足。杂交水稻算法是近年来新提出的一种仿生优化算法,杂交水稻算法拥有良好的收敛性,鲁棒性,且不易陷入局部最优解。因此本文将杂交水稻算法用于贝叶斯网络结构学习。(1)介绍了贝叶斯网络的起源与发展,研究现状,及贝叶斯网络目前的应用。并详细介绍了贝叶斯网络的基本理论知识,在此基础上重点介绍了几种用于贝叶斯网络结构学习的评分方法和搜索算法。(2)介绍了杂交水稻算法的基本原理,并在此基础上根据贝叶斯网络的存储方式提出了一种基于离散二进制的杂交水稻算法。改进算法首先更具遗传算法的多点交叉算子和连续数据集上杂交水稻算法的杂交算子提出一种离散二进制的杂交算子;然后将粒子群算法的减法算子应用于恢复系水稻和最优水稻的自交过程;最后更具贝叶斯网络的结构特点改进了重置算子的重置策略。(3)本文采用最大权重生成树算法MWST算法生成最大权重树,并在此树的基础上通过加边减边删边生成杂交水稻算法的初始种群。然后使用杂交水稻算法对初始种群进行学习,并将结果与K2+MWST算法,贪婪算法进行比较证明本算法的有效性,与遗传算法和粒子群算法进行比较证明本文算法的高收敏性和鲁棒性。(4)对本文研究进行总结并根据本文研究中遇到问题,指出了缺失数据集的学习算法,如何在非法结构图中获取评分较高的贝叶斯网络等有待进一步研究的方向。(本文来源于《湖北工业大学》期刊2018-05-01）
李明,张韧,洪梅,白成祖[7]（2018）在《基于信息流改进的贝叶斯网络结构学习算法》一文中研究指出基于信息流提出贝叶斯网络结构学习的改进型搜索评分算法。首先计算信息流进行全局因果分析,构造0/1优化问题,获得最优初始网络结构;在此初始结构的基础上产生搜索空间,采用贪婪算法搜索最优结构弧,同时由信息流确定弧方向,实现网络结构的一体化学习。首次将信息流引入贝叶斯网络的结构学习,优化了初始搜索空间,实现了弧和弧方向的同步确定,更能获得近似全局最优结构。实验表明,改进算法较其他算法的准确性和学习效率更高。(本文来源于《系统工程与电子技术》期刊2018年06期）
胡雨,陈雪东[8]（2018）在《基于MH算法的贝叶斯网络结构学习的改进》一文中研究指出针对贝叶斯网络结构学习中的MCMC(马尔科夫链蒙特卡洛)算法,提出一种新的建议分布(概率)以改进其中的Metropolis-Hastings(MH)算法,使其相应的MCMC算法提升了贝叶斯网络结构学习的收敛速度.同时,将新的算法应用于携程网房型产品的用户行为数据集,即一个有监督的不平衡分类问题,最后将分析结果与随机森林、logistic回归方法相对比.实验结果表明,新的MCMC实现图模型具有较好的预测效果.(本文来源于《湖州师范学院学报》期刊2018年02期）
包义钊,殷保群,曹杰,姚进发[9]（2018）在《基于飞蛾-烛火优化算法的贝叶斯网络结构学习》一文中研究指出目前结构学习的算法普遍存在收敛性差、精确度低、易陷入局部最优等问题。为此,提出一种新的网络结构学习算法。通过保留飞蛾-烛火优化算法的整体框架,借鉴遗传算法的杂交、变异等操作,替换原算法的位置更新方法。变异操作时考虑节点间的互信息,对不同节点采取不同的变异动作,保障结构返回的稳定性。实验结果表明,该算法能够较快地学习到评分最优的网络结构,且获得的结构和标准的网络结构最相似。(本文来源于《计算机工程》期刊2018年01期）
金通[10]（2017）在《基于改进细菌算法的贝叶斯网络结构学习》一文中研究指出贝叶斯网络(Bayesian Networks,BNs)是为了解决不确定性和不完整性问题而提出的一种基于概率推理的图形化网络。随着人工智能和数据挖掘领域的兴起,贝叶斯网络也越来越成为研究的热点。对于贝叶斯网络结构学习这一NP难问题的研究更是成为了研究的重点。本文首先阐述了贝叶斯网络的起源与发展,贝叶斯网络目前的应用。结合简单的贝叶斯网络结构,介绍了贝叶斯网络的基础知识以及贝叶斯分类器的知识,并介绍了细菌算法的理论依据和研究现状。其次,根据贝叶斯网络的特点,对细菌算法做了相应的改进,在传统细菌算法的基础上,针对贝叶斯网络的特点,提出基于改进细菌觅食优化算法的贝叶斯网络结构学习策略,将传统细菌算法中的趋化算子、繁殖算子和迁移算子进行改进。将自适应理论应用于细菌游动步长的计算和繁殖个体的选择中;在迁移算子的迁移概率计算中,引入遗传算法中的轮盘赌方法;在互信息理论的基础上,给出一种新的网络结构随机进化方法,代替传统细菌算法中的随机迁移,并将改进后的细菌算法应用于贝叶斯网络结构学习中。最后,通过实验仿真并将本文算法学习得到的网络结构与贪婪算法、GTT算法和K2算法学习得到的网络结构进行比较,实验证明本文算法在贝叶斯网络结构学习中能得到较好效果。(本文来源于《浙江大学》期刊2017-01-13）
贝叶斯网络结构学习算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
基于评分搜索的贝叶斯网络结构学习算法通常需要调参,导致计算量增大且不当的参数易使算法陷入局部最优。针对这一问题,将无需调参的Jaya算法应用于贝叶斯网络结构学习。在Jaya算法的框架下,结合遗传算法的交叉变异思想重新设计了个体更新策略,使Jaya算法能够应用于结构学习这一离散优化问题,并结合马尔科夫链的相关理论讨论了所提算法的敛散性。实验结果表明,该算法能有效应用于贝叶斯网络结构学习。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
贝叶斯网络结构学习算法论文参考文献
[1].谭翔元,高晓光,贺楚超.基于马尔科夫毯约束的最优贝叶斯网络结构学习算法[J].电子学报.2019
[2].严智,张鹏,谢川.基于Jaya的贝叶斯网络结构学习算法研究[J].计算机工程与应用.2019
[3].刘彬,范瑞星,刘浩然,张力悦,王海羽.基于混合樽海鞘-差分进化算法的贝叶斯网络结构学习算法[J].通信学报.2019
[4].刘浩然,张力悦,范瑞星,王海羽,张春兰.基于改进鲸鱼优化策略的贝叶斯网络结构学习算法[J].电子与信息学报.2019
[5].刘彬,王海羽,孙美婷,刘浩然,刘永记.一种通过节点序寻优进行贝叶斯网络结构学习的算法[J].电子与信息学报.2018
[6].王俊.基于杂交水稻算法的贝叶斯网络结构学习研究[D].湖北工业大学.2018
[7].李明,张韧,洪梅,白成祖.基于信息流改进的贝叶斯网络结构学习算法[J].系统工程与电子技术.2018
[8].胡雨,陈雪东.基于MH算法的贝叶斯网络结构学习的改进[J].湖州师范学院学报.2018
[9].包义钊,殷保群,曹杰,姚进发.基于飞蛾-烛火优化算法的贝叶斯网络结构学习[J].计算机工程.2018
[10].金通.基于改进细菌算法的贝叶斯网络结构学习[D].浙江大学.2017