因果图学习与推理算法研究

论文题目: 因果图学习与推理算法研究

论文类型: 博士论文

论文专业: 控制理论与控制工程

作者: 石庆喜

导师: 张勤

关键词: 人工智能,因果图,不确定性推理,知识表达,机器学习

文献来源: 重庆大学

发表年度: 2005

论文摘要: 人工智能研究的目的无非是用机器模拟人脑的思维,人类的思维是多样性的,虽然很多思维现象体现为对确定性信息的处理,然而更多的现象却体现了各种各样的不确定性,而且,客观世界中的绝大部分现象都是不确定的。因此,真正的人工智能系统要能很好反映人脑思维的不确定性并能对各种无所不在的不确定性信息进行处理。于是,如何表示和处理知识的不确定性也就成为人工智能研究的重要课题之一,也是人工智能面临的一大难题。动态因果图由张勤教授1994年提出,它与信度网类似,是概率论与图论结合的一种数学工具,其特点是提供不确定知识的表达和灵活的推理方法:用节点表示事件或变量,有向边表示因果关系,并用连接强度来表示因果关系的强度,支持由原因到结果的正向推理方式和由结果到原因的反向推理方式以及正反向混合推理方式。但因果图与信度网相比又具有一些自己独特的优点,在不确定性知识间的因果关系表达更加方便,尤其在故障诊断领域更有独特优势。因此对因果图的进一步研究不仅具有重要的学术意义,而且具有很好的实用价值和经济价值。论文围绕着因果图的知识表达、学习、推理进行了讨论和研究,主要内容包括:在扼要介绍了一些比较常见的不确定性知识的表示和推理方法:证据理论、确定性因子、模糊逻辑与模糊推理、主观Bayes方法、信度网的基本知识之后,比较详细地阐述了因果图的知识表达,主要的推理算法、计算复杂度以及对一些问题的处理方式方法。针对目前因果图不包括自学习机制、推理的先验知识完全由领域专家提供的问题,提出了利用已有数据学习因果图结构与参数的方法。包括:利用bayes方法学习因果图结构的优化算法以及采用遗传算法学习因果图结构的方法;还提出了在数据完备时用后验分布的数学期望——条件期望估计,数据不完备时,用类似期望最大化(EM)算法,学习离散因果图参数的算法;采用含参数的EM算法(EM(η)),进行在线因果图参数和结构的学习,并给出了一种学习因果图结构的在线修改与学习算法。从而较好地解决了因果图知识获取的关键问题,对丰富因果图理论和因果图的应用都有着十分重要的意义。针对因果图推理中存在逻辑运算量大、计算复杂的困难,为了减少计算的复杂度,提出了对因果图进行图形解环算法,还利用图论和启发式思想提出了一种启发式图形解环方法,达到使解环后的因果图尽量减少原始因果图的信息量损失,给出了理论推导和具体算法。接着提出在无环因果图中的信度传播的算法,给出

论文目录:

中文摘要

英文摘要

1 绪论

1.1 论文研究背景

1.1.1 确定性理论

1.1.2 主观Bayes 方法

1.1.3 可能性理论方法

1.1.4 证据理论

1.1.5 信度网

1.1.6 动态因果图

1.2 作者的主要工作

1.3 论文章节安排

2 动态因果图模型与推理

2.1 因果图知识表达

2.2 因果图知识表达方式

2.3 因果图推理

2.3.1 单值因果图推理算法

2.3.2 动态推理

2.4 算法分析

2.4.1 推理计算时的逻辑运算研究

2.4.2 因果图编译计算的规模

2.5 多值的困难及解决方法

2.5.1 多值因果图的困难

2.5.2 解决方法

2.6 连续问题的处理

2.7 应用框架

2.8 总结

3 因果图学习

3.1 理论基础

3.2 因果图结构学习算法

3.3 因果图结构学习的遗传算法

3.3.1 遗传算法操作设计

3.3.2 计算步骤

3.4 因果图连接强度学习算法

3.4.1 完备实例数据的学习

3.4.2 不完备实例数据的学习

3.5 因果图在线学习算法

3.5.1 在线学习和主动学习

3.5.2 因果图在线学习分析

3.5.3 因果图的连接强度（参数）在线学习

3.5.4 因果图结构在线学习算法

3.5.5 实验结果

3.6 结论

4 因果图快速推理研究

4.1 图形解环

4.2 图形解环的一种启发式算法

4.3 推理算法

4.4 实验与结果分析

4.5 小结

5 因果图仿真推理算法研究

5.1 Monte Carlo 法概述

5.1.1 Monte Carlo 法原理

5.1.2 Monte Carlo 法的收敛性讨论

5.1.3 误差分析

5.2 Reject 抽样

5.3 因果图重点抽样方法

5.3.1 理论基础

5.3.2 因果图重点抽样方法

5.4 Gibbs 仿真推理方法及其改进

5.4.1 Gibbs 仿真推理算法

5.4.2 改进思想讨论和算法

5.5 算法比较分析与实验结果

5.6 小结

6 带有连续变量的因果图模型研究

6.1 连续变量可能性传播图模型

6.2 带有离散和连续变量的因果图模型

6.3 带有连续变量的因果图模型的 Monte Carlo 方法推理和计算

7 总 结

致 谢

参考文献

附 录

独创性声明

学位论文版权使用授权书

发布时间: 2006-12-05

参考文献

• [1].基于因果图的不确定性推理理论及算法研究[D]. 王洪春.重庆大学2005
• [2].因果图推理算法及专家系统应用研究[D]. 沈文武.重庆大学2005
• [3].复杂系统因果图推理理论与算法研究[D]. 梁新元.重庆大学2005
• [4].因果图理论及其用于复杂系统故障诊断研究[D]. 樊兴华.重庆大学2002

相关论文

• [1].关于不确定性推理理论与知识发现的研究[D]. 汤永川.西南交通大学2002
• [2].贝叶斯网络故障诊断与维修决策方法及应用研究[D]. 李俭川.中国人民解放军国防科学技术大学2002
• [3].贝叶斯网络结构学习及其在数据挖掘中的应用研究[D]. 黄解军.武汉大学2005
• [4].面向不确定性推理和数据分析的模式识别方法研究[D]. 王向阳.上海交通大学2006
• [5].自动推理和智能规划中若干问题研究[D]. 殷明浩.吉林大学2008

标签：人工智能论文;  因果图论文;  不确定性推理论文;  知识表达论文;  机器学习论文;