具有丢失数据的可分解马尔可夫网络结构学习

具有丢失数据的可分解马尔可夫网络结构学习是一个重要而困难的研究课题 ,数据的丢失使变量之间的依赖关系变得混乱 ,无法直接进行可靠的结构学习 .文章结合最大似然树和Gibbs抽样 ,通过对随机初始化的丢失数据和最大似然树进行迭代修正 调整 ,得到修复后的完整数据集 ;在此基础上基于变量之间的基本依赖关系和依赖分析思想进行可分解马尔可夫网络结构学习 ,能够避免现有的丢失数据处理方法和可分解马尔可夫网络结构学习方法存在的效率和可靠性低等问题 .试验结果显示 ,该方法能够有效地进行具有丢失数据的可分解马尔可夫网络结构学习 .

可分解马尔可夫网络参数学习中的噪声平滑

对于存在噪声的可分解马尔可夫网络参数学习,目前可通过调整可分解马尔可夫网络的结构来增强其抗噪声能力,但调整后的结构往往会降低网络的有效性和可靠性,而且不能从源头上减少噪声对参数的影响.针对该问题,首先建立基于可分解马尔可夫网络理论的邻域最优预测;然后以变量为基本单位,使用预测值平滑噪声.实验结果显示,使用平滑后的数据进行参数学习,其可靠性能够得到显著的改进.