导读:本文包含了贝叶斯网络结构学习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,Lasso,Tabu,Search,BIC
贝叶斯网络结构学习论文文献综述
杨雨萌,黄琼华,汪四水[1]（2019）在《高维数据下的贝叶斯网络结构学习》一文中研究指出贝叶斯网络模型作为一种传统有效的大数据图模型,因其具有因果和概率性语义等特点受到学者们的广泛研究。为了解决基于高维数据构建贝叶斯网络的难题,本文提出了一种适用于高维数据的贝叶斯网络结构学习算法—LTB算法,该算法由Lasso、Tabu Search算法和BIC结合。首先,运用Lasso降低协变量的维数,筛选出与目标变量关系密切的协变量将作为贝叶斯网络的顶点。然后,选择Tabu Search作为元启发式算法,选择BIC作为计算得分的方法,两者结合构建全局最优的贝叶斯网络结构。实证分析表明,LTB算法应用于上证综指影响因素的研究,既可以获得上证综指与其影响因素间的因果关系,也可以利用条件概率得到上证综指影响因素间的组合方式。(本文来源于《数理统计与管理》期刊2019年06期）
谭翔元,高晓光,贺楚超[2]（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）
林朗,张自力[3]（2019）在《基于多头绒泡菌的贝叶斯网络结构学习》一文中研究指出贝叶斯网络是概率统计与图论相结合的一种图模型,已成功应用于多个领域中。然而,仅依赖专家的领域知识构建贝叶斯网络非常困难。因此,从数据中学习贝叶斯网络结构已经成为该研究领域的重点问题。针对贝叶斯网络结构学习搜索空间太大的问题,根据多头绒泡菌在觅食过程中展现出的保留重要觅食管道的特性,文中结合多头绒泡菌相关数学模型和条件互信息理论对原始搜索空间进行缩减,并将求解得到的无向图作为网络的基础骨架;之后利用爬山法确定骨架方向,并得到对应的拓扑排序;最后将节点顺序作为K2算法的输入以求得最终网络,并选用网络拓扑结构及评分作为评价指标在多个数据集上进行对比实验。实验结果表明,所提算法在网络重构及原始数据匹配上具有更高的准确度。(本文来源于《计算机科学》期刊2019年09期）
严智,张鹏,谢川[4]（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[5]（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[6]（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）
郭珉[7]（2019）在《基于正则化的贝叶斯网络结构稀疏学习及应用研究》一文中研究指出贝叶斯网络是一种表示随机变量联合分布的有效建模工具,被广泛用于不确定性系统的建模和推理。它用有向无环图从全局角度揭示了所有随机变量间存在的直接和间接联系,同时可用随机变量的概率分布量化变量间概率依赖的程度。其中,从数据中自动识别最优的贝叶斯网络结构是研究的热点和难点。高维背景下,面向中小型网络的传统贝叶斯网络结构学习方法在搜索最优贝叶斯网络时遇到了挑战。贝叶斯网络有向无环图空间会随网络节点的增加呈指数倍增长,高维数据的出现使得该空间暴增,进而使得搜索工作计算量大、时间成本高,有效性差;同时,高维数据还会使贝叶斯网络结构学习模型变得愈加复杂,产生过拟合问题,模型泛化能力和解释能力差。针对高维背景下贝叶斯网络结构学习面临的问题,学者们对贝叶斯网络结构施加各种软硬约束以稀疏化网络结构,从而简化大型复杂网络的结构学习。硬约束是人工主观地将节点最大相邻节点数或父节点数统一设定为一个较小的常数,此类方法忽视了不同节点连接密度的不均匀性。软约束是给贝叶斯网络结构学习模型添加基于_1或_0范数约束,实现从数据自动学习稀疏的网络结构。此类方法为基于正则化的贝叶斯网络结构稀疏学习,能一定程度上缓解高维背景下传统贝叶斯网络结构学习所面临的问题。正则化稀疏学习在广义线性模型、协方差估计、矩阵分解、影像处理等方面是有效的工具,但在贝叶斯网络结构学习领域还是一个相对较新的研究方向。本文针对基于正则化的贝叶斯网络结构学习方法及应用问题展开研究。主要工作和创新性如下:(1)提出将适用于带罚广义线性模型的特征筛选规则用于贝叶斯网络结构的稀疏学习。虽然正则化方法在贝叶斯网络学习中具有明显优势,但对于大型贝叶斯网络来说,现有稀疏学习方法运行速度慢,学习精度低,甚至会由于涉及计算量太大以致无法使用。基于正则化的大型贝叶斯网络稀疏学习往往包含上百个带罚广义线性模型,而各类安全特征筛选规则可以加速单个带罚广义线性模型的运行速度。(2)将GAP安全特征筛选规则融入基于_1正则化的高斯贝叶斯网络结构学习,提出适用于高维背景下高斯贝叶斯网络结构稀疏学习的GBN-GAP算法。由于离散贝叶斯网络学习的复杂度远远大于高斯贝叶斯网络学习,因此本文从高斯贝叶斯网络入手展开研究。GBN-GAP算法基于L1MB-DAG算法采用两阶段学习法:第一阶段,忽视有向无环图的约束条件,利用一系列整合了GAP安全筛选规则的LASSO问题的结果构建无向图骨架;第二阶段,利用无向图骨架缩小有向无环图搜索空间,在此空间中采用爬山算法寻找得分最优的贝叶斯网络。由于GAP安全筛选规则可以提前识别并剔除LASSO稀疏解中系数确定为0的大部分变量,实现在缩减规模的设计矩阵上得到与原LASSO问题相同的最优解。因此,GBN-GAP算法主要优点为:将GAP筛选过程与LASSO迭代求解相整合,每次迭代均在缩小规模的设计矩阵上求解LASSO问题,在尽量不损失L1MB-DAG算法学习精度的同时,加快了贝叶斯网络结构的学习速度;同时,基于GAP的学习结果可作为约束条件,限制有向无环图搜索空间的大小,进一步降低GBN-GAP算法的时间复杂度。模拟结果显示,GBN-GAP算法特别适用于高维小样本下的大型高斯贝叶斯网络,可以在有效时间内挖掘稀疏的贝叶斯网络结构,弥补了一般贝叶斯网络学习方法面临高维数据时的缺陷。(3)基于Bootstrap和GBN-GAP算法构建了平均的贝叶斯网络结构。以识别网络结构为目标的实际应用中,在保证网络整体质量的同时还要尽量寻求网络局部结构的质量,即边的学习质量。高维小样本下,与其他算法相比,GBN-GAP算法虽然能正确学到真实网络更多的边,但同时学到真实网络骨架图不存在边(伪边)的数量也随之增加。所以,为了尽量减少估计结果中伪边的数量,本文利用模型平均的思想构建了平均的贝叶斯网络结构。其中,构成平均贝叶斯网络结构的边,均为达到一定置信阈值的边。模拟结果显示:当逐步提高边的置信阈值时,被纳入平均网络结构的真边会越来越少,同时伪边会以更快的速度减少,故应用中应根据实际需要设定合理的置信阈值。与单个GBN-GAP算法和其他经典贝叶斯网络方法比较,基于模型平均的贝叶斯网络结构学习在精确度方面优于它们的表现。(4)基于GBN-GAP类高斯贝叶斯网络结构稀疏学习方法在拟南芥基因数据中的应用。基因表达数据往往为高维连续型数据,且样本量小。因此,本文首先将GBN-GAP算法应用于拟南芥基因表达数据以识别稀疏的拟南芥基因网络,并对方法进行了有效性评价。研究发现,GBN-GAP算法可以识别拟南芥基因网络中不同基因之间的依赖路径,同时能识别基因网络中一些具有调控作用的中心节点。在获取拟南芥基因网络整体结构特征后,采用基于GBN-GAP算法的模型平均法从基因数据中识别精准度更高、结构更稀疏的平均拟南芥基因网络。(5)基于组正则化的离散贝叶斯网络结构稀疏学习方法在P2P再次贷款中的应用。研究高维背景下应用问题时,通常更多面对由连续数据和离散数据组成的混合数据,此时无法利用高斯贝叶斯网络稀疏学习方法或传统离散贝叶斯网络学习方法识别变量间存在的依赖关系。因此,本文利用基于Multi-Logit和组正则化的离散贝叶斯网络学习方法研究影响P2P借款人再次贷款的关键因素和路径,用以探讨离散贝叶斯网络稀疏学习方法在实际中的应用。目前学者们更多地从网络借贷平台行为、出借人投资行为等方面展开研究,较少涉及P2P再次贷款的问题。并且,现有文献研究在线社交关系对网络借贷的影响时,鲜少明确区分有向和无向社交关系、不同类型和强度的有向社交关系对网络借贷的影响,本文则细化了在线社交关系并研究其对P2P再次贷款的影响。具体从不同产品视角分别学习影响P2P再次贷款的离散贝叶斯网络结构,并结合贝叶斯参数估计和贝叶斯网络概率推理结果,量化分析了不同产品下影响P2P借款人再次贷款的因素及路径,旨在为网络借贷平台实施各类营销计划等活动提供一定的依据。研究发现,不同产品视角下,影响P2P借款人再次贷款的因素明显不同,主要区别表现在借款人在线社交关系和银行借贷消费行为方面的因素。此外,由于网络借贷移动平台流量不足、P2P借款人在移动平台应用行为成熟度不高,不同产品视角下得到的网络结构均揭示,P2P借款人在移动端的手机行为成熟度对P2P再次贷款没有影响。综上所述,本文针对高维背景下贝叶斯网络结构稀疏学习方法及应用存在的问题进行了基础性的研究,但仍然存在一些问题和未来需进一步深入研究的方向。未来可尝试改进GBN-GAP算法,进一步提高算法的学习准确度;尝试将GAP安全筛选规则用于加速离散贝叶斯网络稀疏学习方法的速度;在构建基于正则化的贝叶斯网络稀疏学习模型时融入更多关于网络结构先验的信息,提高贝叶斯网络的学习质量;在更深层次、更广范围内探讨贝叶斯网络结构稀疏学习方法在实践中的应用。(本文来源于《山西财经大学》期刊2019-05-28）
张凯茜[8]（2019）在《基于节点排序的寻优函数在贝叶斯网络结构学习中的理论研究》一文中研究指出贝叶斯网络是处理不确定性问题的有效方法之一,其具有内在严密的概率推理和直观的图形化表示等特点,被广泛应用于人工智能和机器学习等领域。在当今数据大爆炸时代,传统的依靠专家知识构建贝叶斯网络结构的方法已不能满足快速精准学习的需求。如何从数据中有效地学习贝叶斯网络结构引起众多专家学者的研究兴趣。使用爬山搜索策略的K2算法作为一种经典的贝叶斯网络结构学习算法,已经得到广泛的应用。但K2算法对变量序列和最大父节点数具有强烈的依赖性,不同的最大父节点数对贝叶斯网络的学习效果差别不显着,而不同的变量序列会极大地影响贝叶斯网络的学习效率,因此如何寻找较优的变量序列有着重要的研究价值。本文以构建K2算法中变量序列的评价函数为研究目标,首先基于广度优先搜索的Kahn算法和深度优先搜索的Tarjan算法,对标准网络结构进行图的遍历以得到较优的变量序列,分析各序列的K2-CH评分和互信息评分的属性,寻找较优序列的共性,在此基础上提出新的变量序列的评价函数,然后以此评分函数作为新的适应度函数,在变量构成的空间内,以遗传搜索来寻找较优的变量序列,我们称此算法为Chain-KMGA算法。实验结果表明,通过Chain-KMGA算法学习到的贝叶斯网络的结构较优,具体表现在网络的评分值较高,且可以学习到更多的正确边和较少的错误边,同时ChainKMGA算法的运行时间较少,该算法具有较高的学习效率,其所学习到的贝叶斯网络评分值与变量序列评分值具有较强的正相关性,即随着变量序列评分值的增加,贝叶斯网络的评分值也在对应的增加,因此Chain-KMGA算法能够搜索到较优变量序列,Chain-KMGA算法构建的贝叶斯网络具有较高的学习效率。(本文来源于《西北农林科技大学》期刊2019-05-01）
滕越[9]（2019）在《基于因果效应的贝叶斯网络结构学习方法及应用》一文中研究指出随着科学技术的发展、数据量的增加,如何从大数据中获取有益信息,已成为研究的热点和难点。贝叶斯网络是从数据中表示不确定性知识的重要工具之一,但在准确率上仍不能满足某些实际需求。此外,文献数量的迅速增长,如何直观地表示众多文献所包含的知识变得愈发重要。因此,本文主要工作如下:1)本文提出了一种基于因果效应的贝叶斯网络结构学习方法。从数学上给出了节点优先度的定义,定量地描述了节点之间的优先次序。将节点优先度降序排列得到节点优先次序。利用节点优先次序和基于互信息的最大父节点数目估计结合K2算法学习初始化贝叶斯网络。通过互信息和BDe评分修正初始化网络得到最终学习结果。本文实验在ASIA网络和ALARM网络的20组数据中进行。结果表明,本文方法较MMHC算法准确率平均提升16%,标准差性能平均优化34%。2)本文提出了一种基于贝叶斯网络的文献知识表示方法。利用网络爬虫爬取了12万篇和阿尔茨海默病有关的文献关键词数据,通过本文提出的方法学习了关键词贝叶斯网络,人工构建了相应的贝叶斯网络衡量学习结果。实验结果表明,本文提出的基于贝叶斯网络的文献知识表示方法正确率为87.5%,学习结果覆盖了目前学术界认为的阿尔茨海默病病因叁大假说,为文献计量学提供了新的思路和方法。(本文来源于《合肥工业大学》期刊2019-04-01）
王琦[10]（2019）在《多重贝叶斯网络结构学习》一文中研究指出概率图模型方法是统计领域中的有效研究工具之一.在图模型中,节点代表随机变量,节点之间的边反映了随机变量的关联性.图模型可以分为有向图和无向图.无向图被称为马尔科夫随机场,边的有无表示的是随机变量之间的条件独立性.具有一定概率分布的有向无环图又被称作贝叶斯网.对于贝叶斯网,它的所有边都有方向并且不能构成一个回路.本文重点的研究对象就是高斯有向无环图–高斯贝叶斯网.有向无环图通常用来表示随机变量之间的因果关系,它在物理研究和生物工程中有大量的应用.我们通过穷举法估计n个节点的网络的复杂度为O(2~n),早期的启发式算法能够在节点量少的情况下有较好的效果.但随着节点的增加,以穷举法为代表的算法杂度成指数增长,这使得通过采样数据估计有向图是一个NP难问题.另外,数据采样的局限性,从各个节点往往能够采样得到少量的数据.信息的匮乏使得传统的算法很难适应信息时代的发展.随后,一系列以高维数据的低维模型为基础的算法相继提出.这一类算法利用高斯分布的极大似然估计构建了优化函数,利用高维数据的低秩性通过回归算法估计节点之间的权重,从而推测节点之间的连接性.不同场景下所采样得到的高维数据在结构上往往具有相关性,因此,利用这些相关性可以降低回归问题由于数据量较少所带来的复杂程度.一系列联合估计高斯有向图的算法也孕育而生.尽管有较成熟的算法估计高斯图模型,但是由于有向图的观测等价性,仅通过观测数据恢复有向图是非常困难的.因此,本文利用节点之间的偏序先验,在该先验条件下,估计高斯有向图等价于估计网络的骨架.当多重高斯有向图具有相似性结构,本文提出了带相似性结构惩罚项的回归模型用于估计网络的邻接矩阵,并用坐标下降法求解该模型.数值实验证明了该算法的有效性.(本文来源于《山东师范大学》期刊2019-03-20）
贝叶斯网络结构学习论文开题报告
（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：
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.
（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论文参考文献
[1].杨雨萌,黄琼华,汪四水.高维数据下的贝叶斯网络结构学习[J].数理统计与管理.2019
[2].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
[3].林朗,张自力.基于多头绒泡菌的贝叶斯网络结构学习[J].计算机科学.2019
[4].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
[5].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
[6].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
[7].郭珉.基于正则化的贝叶斯网络结构稀疏学习及应用研究[D].山西财经大学.2019
[8].张凯茜.基于节点排序的寻优函数在贝叶斯网络结构学习中的理论研究[D].西北农林科技大学.2019
[9].滕越.基于因果效应的贝叶斯网络结构学习方法及应用[D].合肥工业大学.2019
[10].王琦.多重贝叶斯网络结构学习[D].山东师范大学.2019