动态贝叶斯网络结构搜索法辨识生物神经网络连接

准确辨识生物网络的功能性连接结构,对于从系统水平探明网络调控机制,具有重要意义。文中发展了一种基于最小描述准则(minimum description length,MDL)的动态贝叶斯网络结构搜索法(dynamical Bayesian network structure searching method,DBNSSM),用于对脉冲神经元网络(pulsed neural network,PNN)(一种人工构造的生物神经元网络)结构进行辨识,以获得其内部神经元间的功能性连接情况和相互作用强度。在网络结构辨识过程中,候选网络结构评分函数综合考虑以下两个因素:1)利用网络动态响应数据确定的网络结构似然度;2)网络结构的复杂度。以上两因素相互折中后,评分最小的网络结构,即为最优网络。网络结构选择过程采用遗传算法(genetic algorithm,GA),候选网络结构对应的邻接矩阵元素构成二进制染色体,交叉、变异后,经历有限代的进化选择,收敛于全局最优网络结构。最后,将DBNSSM应用于PNN产生的动态时间序列数据。仿真结果表明:该方法能够有效地利用网络响应数据,辨识出生物神经元网络结构,未来可进一步应用于体外培养生物神经网络结构的辨识。

改进遗传-狼群对节点序寻优的贝叶斯网络结构算法

贝叶斯网络是数据挖掘领域的一种重要方法。针对贝叶斯网络结构学习算法寻优效率低和易陷入局部最优的问题,提出一种基于改进的混合遗传-狼群对节点序寻优的贝叶斯网络结构学习算法。该算法首先利用深度优先搜索对最大支撑树的节点进行拓扑排序;然后利用动态变异及最优交叉算子构建适用于节点序寻优的改进捕食行为,引入动态参数因子来增强算法局部寻优能力;最后与K2算法结合得到最优的贝叶斯网络结构。用3种不同大小的标准网络数据集中进行实验,结果表明,该算法收敛到较优值,寻优效率高于其它同类优化算法。