基于评分的贝叶斯网融合方法

论文摘要

众所周知,在很多实际问题中人们需要从现有的知识中挖掘有用的信息、获取知识,并对知识进行推理,为实际应用中的分析、预测和决策活动提供可靠的依据。当这些知识来自于不同的专家或系统,就需要统一知识表示并对它们进行融合,以便于从全局上把握问题。知识通常具有不确定性,并且蕴含着概率因果关系。贝叶斯网最初是作为一种处理专家系统中的不确定性而被提出的,其有向无环图能简明的表现变量之间的依赖和独立关系,条件概率表能定量地刻画了变量对其父节点的依赖程度。目前,贝叶斯网已成为知识表示和推理的有效工具,被广泛应用于数据挖掘、知识发现、人工智能等领域。基于上述背景,本文关注贝叶斯网的融合用以达到知识融合的目的。为了简化讨论,本文只考虑具有相同结点的贝叶斯网。基于已有的贝叶斯融合方法和发展成熟的贝叶斯网学习和推理方法,本文提出了一种不需要原始数据基于评分的贝叶斯融合方法。我们通过实验验证了本文提出方法的效率和有效性。本文的主要工作和创新之处总结如下：基于贝叶斯网有向无环图的交集和并集,我们首先获得初始网络结构和没有加入到该结构的边(待加入边)；然后基于贝叶斯网的概念和性质,通过向初始网络结构加入待加入边获得一系列候选模型；基于评分函数确定那个候选模型最优,也即作为最终的融合结果的结构。上述工作解决了贝叶斯网的结构融合问题。基于原贝叶斯网和成熟的推理方法,可以得出最终的融合结果的参数。本文还对融合方法提出了一些优化策略,给出了算法和时间复杂度分析。总之,本文提出了一种不基于原始数据的贝叶斯网融合方法,融合过程中用到的参数均可由成熟的贝叶斯网推理方法获得。

论文目录

• 摘要
• Abstract
• 第1章 前言
• 1.1 研究意义
• 1.2 国内外研究现状分析
• 1.3 本文主要研究内容
• 1.4 论文结构
• 第2章 背景知识
• 2.1 贝叶斯网简介
• 2.1.1 概率论和图论
• 2.1.2 依赖模型和贝叶斯网
• 2.2 贝叶斯网的学习
• 2.3 贝叶斯网的推理
• 2.4 本章小结
• 第3章 贝叶斯网融合思想
• 3.1 获取候选模型
• 3.2 结构融合
• 3.3 参数融合
• 3.4 本章小结
• 第4章 贝叶斯网融合算法
• 4.1 贝叶斯网融合方法优化
• 4.2 融合算法和复杂度分析
• 4.2.1 算法伪代码
• 4.2.2 时间复杂度分析
• 4.3 本章小结
• 第5章 实验结果
• 5.1 效率测试
• 5.2 准确性测试
• 5.3 实验总结
• 第6章 总结及展望
• 附录
• 攻读硕士学位期间发表的论文
• 贝叶斯网融合主要算法实现
• 参考文献
• 致谢