基于ACO的贝叶斯网结构学习与应用

论文摘要

在人工智能领域,不确定性问题一直成为人们关注和研究的焦点。贝叶斯网是自然、紧凑的联合概率分布的图形表示形式,反映了变量间的潜在的依赖关系,揭示了领域对象的内在结构。由于其具有很多优点,贝叶斯网已成为解决许多不确定性问题的强有力工具,成为人工智能领域的研究热点。 贝叶斯网的关键在于建立网络,而由专家给出的贝叶斯网带有主观性和不确定性,因此从数据中学习成为可行的和必要的建网方法。 本文主要研究完备数据集的贝叶斯网结构学习,在研究和分析现有结构学习算法的基础上,将ACO算法和K2评分标准引入到基于打分的结构学习算法中。主要研究内容如下: (1) 基于ACO的贝叶斯网结构学习:本文将ACO算法作为搜索算法,K2评分标准作为评分函数,针对结构学习中的节点排序和建网提出了AntOrdering算法和ACO B算法,并且针对ACO算法的变化形式,对ACO B算法加以讨论。 (2) 贝叶斯网在CRM中应用:将贝叶斯网应用到CRM的客户分析(数据挖掘)模块中,利用贝叶斯网对客户信息加以分析和萃取,从中获得所需的信息,以满足决策者的需求。

论文目录

• 第一章 绪论
• §1.1 研究背景和意义
• §1.2 课题的国内外研究现状
• §1.2.1 贝叶斯网的产生与发展
• §1.2.2 贝叶斯网的概念
• §1.2.3 贝叶斯网的学习
• §1.2.4 现状分析
• §1.3 本文的主要研究工作
• §1.3.1 研究目标、思路
• §1.3.2 本文主要内容
• 第二章 蚁群优化算法
• §2.1 引言
• §2.2 蚁群优化算法的原理
• §2.3 基本蚁群算法的模型
• §2.4 蚁群优化算法的改进
• §2.4.1 Ant Colony System
• §2.4.2 Max—Min Ant System
• §2.4.3 Rank-based Ant System
• §2.4.4 Best—Worst Ant System
• §2.4.5 ACO的不同形式的区别及一般形式
• §2.5 蚁群优化算法的结论
• 第三章 基于ACO的贝叶斯网结构学习
• §3.1 贝叶斯网构建过程
• §3.2 贝叶斯网学习一般方法
• §3.3 基于ACO结构学习的搜索算法——蚁群优化算法
• §3.4 基于ACO结构学习的评分函数——K2评分标准
• §3.5 基于ACO的贝叶斯网结构学习
• §3.5.1 节点的排序
• §3.5.2 贝叶斯网的构建
• §3.6 实验
• §3.7 本章小结
• 第四章 CRM中的贝叶斯网应用
• §4.1 前言
• §4.2 客户关系管理
• §4.3 贝叶斯网在CRM中应用
• §4.4 结论
• 第五章 结束语及展望