基于MWST-CS-K2算法的贝叶斯网络结构学习

针对K2算法依赖最大父节点数和节点顺序的不足,提出了一种改进的贝叶斯网络结构学习算法(MWST-CS-K2)。该算法先通过构造最大支撑树(MWST)得到最大父节点数;再利用变量间的关联度和更新系数对加边、减边和反转边进行规则设定,通过改进的布谷鸟算法对鸟巢位置进行寻优,应用广度优先搜索策略搜索遍历得到节点顺序;最后将最大父节点数和节点顺序作为K2算法的输入搜索得到最终网络。实验表明,所提出的MWST-CS-K2算法在标准的ASIA、SACHS和CHILD网络数据测试中的平均正确边比率分别达到了97.3%、87.7%和95.6%,学习效果优于其他对比算法,获得的网络结构和标准的网络结构最为相似。

大规模图数据的k^2-MDD表示方法与操作研究

对包含亿万个顶点和边的图数据进行高效、紧凑的表示和操作是大规模图数据分析处理的基础.针对该问题提出了基于决策图的大规模图数据的一种表示方法——k^2-MDD,给出了k^2-MDD的构造过程以及图的边查询、外(内)邻查询、出(入)度查询、添加(删除)边等基本操作.该表示方法在k^2树的基础上进行优化与改进,对图的邻接矩阵进行k^2划分后,采用多值决策图进行存储,从而达到存储结构更为紧凑的目的.通过对来自米兰大学LAW实验室的一系列真实网页图和社交网络图数据的实验结果可以看出,k^2-MDD结构在节点数上仅为k^2树的2.59%~4.51%,达到了预期效果.通过对随机图的实验结果可以看出,k^2-MDD结构不仅适用于稀疏图,同样也适用于稠密图.图数据的k^2-MDD表示,既具有k^2树表示的紧凑型和查询的高效性,又能实现符号决策图表示下图模式的高效操作,从而实现了描述和计算能力的统一.

基于K^2树的大图存储优化研究

针对大图数据的一种表达方法——K2树,提出了相应的压缩优化算法。该算法利用带有启发式规则的DFS编码对图中所有节点进行重新编码,并通过自适应调整参数K,使得K2树能够充分利用网络中的社团结构特性,从而降低空间代价。给出了K2树的优化算法描述,并针对一系列真实网络和模拟网络进行了实验,验证了优化算法具有较好的压缩效果。

毛毛虫树T_(k_1,k_2,...,k_n)的优美标号

本文研究了毛毛虫树T(k1,k2,...,kn)的优美性,得到毛毛虫树的优美标号算法等结论.

高速公路尾随相撞事件的贝叶斯网络致因分析模型

应用上海市高速公路1 104条事件数据,基于专家知识和数据融合方法建立贝叶斯网络结构;利用服从Dirichlet分布的贝叶斯方法进行参数学习;运用团树传播算法进行推理分析.研究了上海市高速公路尾随相撞事件类型与不同道路环境条件之间的关系.在验证贝叶斯网络模型的有效性后,系统分析事件致因,并提出改进措施.发现重大尾随相撞事件易发生在大中型车与小型车之间;夜间易发生大中型货车的重大尾随相撞事件,尤其是凌晨0时至6时;路表潮湿状态下的非普通路段上易发生大中型客车的重大尾随相撞事件.结果表明贝叶斯网络建模能够更好的反映事件致因因素的多维性及关联性,是交通事件致因分析的有效方法.

基于节点块序列约束的局部贝叶斯网络结构搜索算法

针对K2算法过度依赖节点序和节点序搜索算法评价节点序效率较低的问题,提出一种基于节点块序列约束的局部贝叶斯网络结构搜索算法,该算法首先通过评分定向构建定向支撑树结构,在此基础上构建节点块序列,然后利用节点块序列确定每个节点的潜在父节点集,通过搜索每个节点的父节点集构建网络结构,最后对该结构进行非法结构修正得到最优贝叶斯网络结构.利用标准网络将算法与几种不同类型的改进算法进行对比分析,验证该算法的有效性.

基于贝叶斯网络的学生成绩预测

以山东理工大学数学与统计学院统计学专业2015级学生的7门主干学科成绩作为数据样本,通过贝叶斯网络的结构学习直观地得到了7门学科之间的关联性;基于贝叶斯网络拓扑结构进行了网络的参数学习,得到了各学科成绩的条件概率;最后利用贝叶斯网络推理的联合树算法给出了学生的成绩预测,并用实例证明了贝叶斯网络成绩预测的可行性。

两类图的平衡性

研究了图P_n^3和毛毛虫树T(k_1,k_2,…,kn)的平衡性,得到了图P_n^3在n=6k,6k+1,6k+4,6k+5时是平衡图,毛毛虫树T(k_1,k_2,…,kn)是平衡图等结论.

一种高密度关联数据压缩方案

随着语义网技术的标准化,网络上的关联数据爆炸式增长.海量的关联数据在网络上存储和交换变得越来越困难.本文提出了一种高密度关联数据压缩方案,将关联数据的三维关系矩阵分解成3个二维稀疏矩阵,再用K2-Tree压缩二维稀疏矩阵,提高了关联数据的压缩率和压缩效率.实验表明,本文提出压缩方案的压缩率相较于HDT++平均有12%的提高,压缩耗时相较于HDT++也有10%左右的降低.