具有丢失数据的贝叶斯网络结构学习研究

被引：63

作者：

王双成

苑森淼

机构：

[1] 吉林大学计算机科学与技术学院

[2] 吉林大学计算机科学与技术学院吉林长春

[3] 吉林长春

来源：

软件学报 | 2004年 / 07期

关键词：

贝叶斯网络; 结构学习; 丢失数据; Gibbs抽样; 依赖分析; 最大似然树;

D O I：

10.13328/j.cnki.jos.2004.07.011

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

目前主要基于EM算法和打分-搜索方法进行具有丢失数据的贝叶斯网络结构学习,算法效率较低,而且易于陷入局部最优结构.针对这些问题,建立了一种新的具有丢失数据的贝叶斯网络结构学习方法.首先随机初始化未观察到的数据,得到完整的数据集,并利用完整数据集建立最大似然树作为初始贝叶斯网络结构,然后进行迭代学习.在每一次迭代中,结合贝叶斯网络结构和Gibbssampling修正未观察到的数据,在新的完整数据集的基础上,基于变量之间的基本依赖关系和依赖分析思想调整贝叶斯网络结构,直到结构趋于稳定.该方法既解决了标准Gibbssampling指数复杂性问题,又避免了现有学习方法所存在的主要问题,为具有不完整数据的不确定性知识表示、推断和推理提供了有效和可行的方法.

引用

页码：1042 / 1048

页数：7

共 5 条

[1] 基于遗传算法的Bayesian网结构学习研究 [J].