基于粗糙集的定性概率网整合方法

由于子定性概率网(QPN)仅局限于表示子领域知识,为构建一个较大QPN进行知识的全面表示,基于粗糙集理论,提出了一种具有不同节点的多个子QPN整合方法。在QPN中,可将单个变量或多个变量的组合看做粗糙集中的一个属性。当多个QPN整合时,首先合并多个子QPN结构;然后,在保证不出现环路的情况下,根据粗糙集的属性间的依赖度向合并的QPN中添加有向边及其定性符号;接着,再根据属性间相对必要性来删除具有多个父节点的属性所不必要的冗余边,从而整合出较大QPN。最后,实验验证了该整合方法的可行性和有效性。

基于粗糙集的定性概率网推理冲突解决方法

定性概率是贝叶斯网的定性抽象,它以有向边上的定性影响代替贝叶斯网中的条件概率参数,描述了变量间增减的趋势,具有高效的推理机制。但定性概率网中信息丢失导致推理的过程中往往产生不确定信息,即推理结果产生冲突。以尽可能消除定性推理中的冲突为出发点,在构建定性概率网时,基于粗糙集属性依赖度理论求解出网中节点间的依赖度,以依赖度作为变量间定性影响的权重,并根据依赖度改进已有的定性概率网推理算法,从而解决定性概率网推理冲突。实例验证表明,该方法既保持了定性概率网高效推理的特性,又能有效解决冲突。

不确定性知识的定性表示、推理及其应用——定性概率网研究综述

贝叶斯网是不确定性知识表示和推理的有效框架,定性概率网是贝叶斯网的抽象表示,它简化了不确定性知识的表示,加速了不确定性知识的推理.近年来,定性概率网成为了不确定人工智能和知识发现领域的一个重要研究方向.分析总结了目前定性概率网的挑战和研究成果,主要包括定性概率网的知识表示、推理及应用3个方面.表示方面,概括了定性影响、定性加协作、定性乘协作和原因间影响,并探讨了定性概率网表示机制存在的问题及主要解决方法;推理方面,描述了推理算法,探讨了定性概率网推理冲突问题,分析比较了解决推理冲突的主要方法;应用方面,概括了基于定性概率网的知识发现和决策支持的主要方法.此外,基于对现有研究成果的分析总结,也指出了定性概率网相关方面进一步研究的问题及重点.

基于定性互信息的定性概率网歧义性约简

针对符号传播算法在符号相反的两条平行路径上进行推理时常常产生歧义性,提出一种基于定性互信息的歧义性约简方法.首先,给出定性互信息的严格定义.然后,提出基于定性互信息影响强度的定性概率网,进一步区分影响强度,并证明具有强度的定性影响的对称性、传递性和复合性.最后在Antibiotics数据集上,通过与已有方法推理结果的对比实验,验证该歧义性约简方法的正确性和高效性.理论分析和实验结果表明,基于定性互信息的定性概率网既保留定性推理的简明性,又能够有效约简定性推理的歧义性.

时序环境中概率因果关系的定性表示及融合

时序数据库各时间片的数据中蕴含着概率因果关系,多时间片概率因果关系的融合可为时态环境中因果关系的综合分析、全局考虑、决策支持及趋势预测等提供科学的依据,该文研究多时间片内同一变量集上概率因果关系的定性表示及融合.首先将各时间片的贝叶斯网(BN)抽象为定性概率网(QPN),以定性的方式高效、简洁地表示各时间片数据中蕴含的概率因果关系.然后,基于BN的推理方法及时序环境中的马尔可夫假设,构造多时间片QPN的一致表示,从而解决各时间片QPN的结构融合问题.基于证据叠加和QPN中定性影响加权的基本思想,给出基于区间值的QPN定性影响量化及相应的定性影响叠加方法,从而解决各时间片QPN的参数融合问题.实验结果表明所提出方法的可行性.

EQPN:数据中不确定性知识的定性表示及推理

数据中蕴含的不确定性知识可以描述属性变量间的相互依赖、以及依赖关系的不确定性.贝叶斯网是不确定性知识表示和推理的有效框架,定性概率网是贝叶斯网的抽象表示,它简化了不确定性知识的表示、加速了不确定性知识的推理.我们研究从数据中学习定性概率网、以及高效的定性概率网推理技术,并开发了相应的系统EQPN.通过展示EQPN系统的主要操作及相应界面,阐述其基本思想和主要功能,旨在为数据中不确定性知识的定性表示及推理提供一种可用的知识框架.