基于预测能力的连续贝叶斯网络结构学习

通过对连续随机变量之间预测能力及其计算方法的讨论,提出基于预测能力的连续贝叶斯网络结构学习方法。该方法包括两个步骤,每个步骤都伴随环路检验。首先建立初始贝叶斯网络结构,其次调整初始贝叶斯网络结构,包括增加丢失的弧、删除多余的弧及调整弧的方向,并使用模拟数据进行了对比实验,结果表明该方法非常有致。

以核心变量为基础的离散贝叶斯网络结构学习

建立了基于核心变量的离散贝叶斯网络结构学习方法.该方法根据变量之间的无条件相对预测能力建立有向无环图,分别按着变量的聚度和散度排序变量;以不同于被预测变量的具有最大聚度和散度的两个变量为条件变量,根据变量之间条件相对预测能力的大小确定弧的存在性与方向,结合环路检验建立初始贝叶斯网络结构;以两个变量的最小切割集为条件变量集,调整初始贝叶斯网络结构(包括删除多余的弧和重新确定弧的方向),最终建立数据中所蕴涵的贝叶斯网络结构.同时,使用模拟数据进行了对比实验,结果表明这是一种有效实用的方法.

一种改进的贝叶斯网络结构学习分类模型及应用

贝叶斯网络结构的构建是贝叶斯网络分类的重点,有效的贝叶斯网络结构学习算法是构建贝叶斯网络的核心。改进的贝叶斯网络结构学习算法使用交叉熵来确定弧的方向,用最小切割集来对有向图进行调整,并且加入环路检验以保证图中不会出现回路。将算法应用到质量管理中,用实际的数据集进行实验,并与现有算法进行对比,结果表明该算法是行之有效的,且具有较高的精确性。