基于信度网的不确定性推理、学习与分类研究

论文题目: 基于信度网的不确定性推理、学习与分类研究

论文类型: 博士论文

论文专业: 计算机软件与理论

作者: 张聪

导师: 沈一栋,张勤

关键词: 信度网,信度网推理,信度网学习,贝叶斯分类器,软件性能监控

文献来源: 重庆大学

发表年度: 2005

论文摘要: 信度网是人工智能中不确定性知识表达和推理的核心方法。本论文详细研究了信度网精确推理、信度网学习和信度网分类有关内容。信度传播算法(BPA)是一种广泛用于树状信度网的精确推理算法。由于其局部计算特性,每个信度网节点可视为一个处理器进行并行运算。本文提出了一种新的BPA 计算模型,可以均衡的将计算负荷分配到实际的多处理器计算机上,从而得到一种高效的并行推理算法。一般信度网的精确推理是一个NPC 问题。算法的主要困难之处在于如何将一个图三角化分解并构造一个最小权join tree。本文提出一种新的三角化算法:MsLB-Triang。该算法利用三角化图的Dirac 性质和LB-单纯性质,可以计算具有更小的总权和总填充边的三角化分解,效果优于目前普遍采用的最小权启发式搜索算法。通过很多方法,可以从数据学习信度网结构。在利用遗传算法进行信度网结构学习时,有向无环图(DAG)的内部表示对学习效率具有重要的影响。直观的方法在整个DAG 空间中搜索最优解,一个明显的潜在问题是后代中将大量出现不可行解(例如,有环图)。本文给出一种新的编码方案,与邻接矩阵编码具有相同的空间复杂度。采用本方案编码DAG,可以保证交叉和变异操作产生的后代全部合法,从而提高了遗传算法学习信度网的效率。信度网学习可以采用批量学习和增量学习两种模式。增量学习是在现有结构上,利用新到达的数据改进信度网的结构。本文提出一种基于两条增量更新律和一个选择指标的增量学习算法。算法依据新的数据反复调整信度网结构和参数,并根据选择指标确定最优的后代结构。数值实验表明算法具有较好的学习性能。朴素贝叶斯分类器因其计算效率和分类精度高而广泛的用于机器学习中。然而,在现实世界中,很少有问题能够满足朴素贝叶斯假设,从而使得分类效果受到影响。很多分类方法适当放松朴素贝叶斯假设,提高了分类的精度,但是可能导致计算性能有较大的下降。本文基于粗糙集理论探索特征加权技术对朴素贝叶斯分类器的改进。特征加权系数直接从属性的粗糙上近似集导出,可以看作是计算每种类别的后验概率时该属性对于此计算的影响度。实验结果表明新的特征加权分类器算法(FWNB)可以达到TAN、BNTree 等精心设计的分类器的分类精度,同时计算效率和所需资源显著优于这些算法。计算机工程中,对于某些关键软件的运行状态进行自动实时监控是一个重要的应用领域。同时,在软件出现运行故障时,也需要某种方式引起系统管理员的

论文目录:

中文摘要

英文摘要

1 绪论

1.1 论文研究背景

1.2 作者的主要工作

1.3 论文的结构

2 信度网推理

2.1 引言

2.2 信度网与其他概率图模型

2.3 信度网推理

2.4 树状信度网的精确推理算法

2.4.1 网络传播

2.4.2 POLYTREE 推理的一种并行处理算法模型

2.5 JOIN TREE 算法及其性能改进

2.5.1 JOIN TREE 算法

2.5.2 JOIN TREE 算法的快速三角分解

2.6 小结

3 信度网学习

3.1 信度网学习

3.1.1 基本概念

3.2 参数学习

3.3 结构学习

3.3.1 基于约束的学习

3.3.2 基于优化的学习

3.4 用遗传算法学习信度网的结构

3.4.1 信度网的二进制编码

3.4.2 一种新的编码方案

3.4.3 演化处理与数值实验

3.4.4 遗传算法和编码方案小结

3.5 信度网在线学习算法

3.5.1 在线学习和主动学习

3.5.2 信度网参数在线学习算法

3.5.3 信度网结构在线学习算法

3.5.4 实验结果(本实验由C++BUILDER 5 编程)

3.5.5 在线学习算法小结

3.6 本章小结

4 信度网分类器

4.1 简介

4.2 朴素贝叶斯分类器学习和分类

4.3 对朴素贝叶斯分类器的结构改进

4.4 基于粗糙集的特征加权算法

4.4.1 粗糙集(ROUGH SET)

4.4.2 特征加权和特征选取

4.4.3 朴素贝叶斯分类器的特征加权

4.4.4 数值实验

4.4.5 结论

4.5 本章小节

5 基于信度网的软件运行状态监控

5.1 简介

5.2 CHPC 监控与数据采集

5.3 软件异常监控模型

5.3.1 基于软件正常运行状态监控模型

5.3.2 异常检测

5.4 SOFTDIAGNOSE 软件

5.5 数值实验

5.6 结论

6 总结

致谢

参考文献

附录:攻读博士期间的科研工作和学术论文情况

发布时间: 2005-11-07

相关论文

• [1].贝叶斯网不确定性推理研究[D]. 张什永.中国科学技术大学2010
• [2].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
• [3].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
• [4].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
• [5].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
• [6].因果图学习与推理算法研究[D]. 石庆喜.重庆大学2005
• [7].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
• [8].贝叶斯学习理论及其应用研究[D]. 宫秀军.中国科学院研究生院（计算技术研究所）2002
• [9].贝叶斯网建模技术及其在决策中的应用[D]. 胡笑旋.合肥工业大学2006
• [10].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

标签：信度网论文;  信度网推理论文;  信度网学习论文;  贝叶斯分类器论文;  软件性能监控论文;