基于评分函数的贝叶斯网络结构融合算法

利用贝叶斯网络进行因果关系推理已广泛应用于人工智能领域。基于约束方法从观测数据中构建贝叶斯网络通常得到的是其马尔科夫等价类,因存在无向边而无法进行有效的因果推断。为此,基于贝叶斯网络评分函数,并结合集成学习提出了一种模型融合算法,通过对不同的网络结构加权融合,以减少网络中无向边的个数,进而提高其可推断性。实验结果表明,不仅显著减少了无向边条数,也提高了最终网络结构的学习效果,验证了算法的有效性。

无线传感网中基于谱矩的链路优化策略

为了延长无线传感网(WSN)的生存时间,依据图谱理论提出了一种节点自适应的本地通信链路优化算法,动态地优化网络拓扑结构。通过引入拉式谱矩,每个节点仅需了解有限的本地局部信息即能在每次迭代过程中在与邻居节点的通信链路上做出追加或删除的最优决策,进而保证网络动态地朝着预定的目标不断优化。实验结果表明,仅通过有限次迭代后即可使网络结构逼近预定目标,验证了算法的有效性。