采用排序和打分-搜索的多阶转换网学习方法

针对现有学习方法主要用于先验网和一阶转换网,且对于多变量复杂转换网其效率和可靠性难以得到保障等问题,建立了一种从向量时间序列数据中发现多阶转换网的方法.在给出多阶数据集构造方法的基础上,通过条件相对平均熵计算建立完全有向无环图,并基于完全有向无环图排序结点,在结点顺序的基础上,通过局部打分-搜索建立转换网.这种方法将更加高效、可靠和实用.

基于扰动数据的因果网络结构的学习

因果网络是一种把节点间的有向边解释成因果关系的贝叶斯网络,它可以用来为现实中的黑盒系统建模。由于存在多个贝叶斯网络可以表述相同的条件独立声明,所以这些网络统计上是不可区分的,它们被称为是马尔科夫等价网络。这意味着,即使知道两个网络节点是相关的,也不能区分谁是原因,谁是结果。为了解决这个问题,提出一种基于扰动数据的因果网络结构的学习算法,通过引入扰动数据,改动传统的打分方式,在此基础上进行马尔科夫链—蒙特卡罗搜索最好得分。实验结果表明,这种方法有效地找到了可信的因果网络结构。

一种基于依赖分析的贝叶斯网络结构学习算法

贝叶斯网络是不确定性环境下知识表示和推理的有效工具之一。现有的贝叶斯网络结构学习算法不同程度地存在学习效率偏低的问题,为此,本文提出一种高效而且可靠的贝叶斯网络结构学习算法ISOR。首先使用最大生成树算法和启发式切割集搜索算法以确定网络中所有可能的边,然后结合碰撞识别方法和启发式打分-搜索方法识别出所有边的方向,最后进行冗余边检验。与当前基于依赖分析的其它算法相比,该算法有效降低条件独立性检验的次数和阶数。算法分析和应用于Alarm网络的实验结果均表明,算法ISOR具有良好的性能。

基于贝叶斯网络的生鲜物流风险评估

随着生鲜市场的规模日渐扩大,如何有效地对生鲜配送过程中各阶段的风险进行评估是一个亟待解决的问题.文章从信息技术,设施设备,人员操作以及外部环境四个方面对生鲜物流配送展开风险评估,运用模糊集理论消除专家评分的主观性,结合贝叶斯网络构造风险评估模型,并采用GeNIe软件对模型进行仿真.最终得到了定量的风险评估结果,对生鲜企业规避风险具有重要意义.