贝叶斯因果关系网络模型在断面调查数据中的应用

目的验证贝叶斯网络能否从横断面调查数据的分析中得到因果关系的信息。方法通过从国外数据库获取的调查数据，利用R语言进行贝叶斯网络因果关系的结构分析。结果在无先验信息情况下，从网络结构中得出，胰岛素对空腹血糖、收缩压有一定的调控关系，HDL对总胆固醇的代谢也起到一定的调控作用，以上关系与文献研究结果一致；总胆固醇、LDL、HDL、apoB均指向甘油三酯，此关系有待解释。结论与其他统计方法相比，贝叶斯网络能够从横断面调查数据中得到因果关系的重要信息，为了解疾病机理、探索疾病病因提供了新的有效方法。

基于改进BN的集装箱船舶碰撞事故致因分析

为解决利用贝叶斯网络(BN)模型分析集装箱船舶碰撞致因过程中,由于样本数据不足导致BN结构学习困难的问题,提出一种基于核密度估计和模型加权平均策略相结合的BN结构学习算法。首先利用核密度估计方法扩充小数据集,使数据规模达到BN结构学习的最低限度要求;然后利用模型平均策略加权融合不同学习算法得到的网络结构,来提高算法在小样本数据下的学习效果;最后基于少量集装箱船舶碰撞样本数据,利用所提算法构建BN模型分析事故致因。结果表明:用所提算法能在小样本数据下定量分析碰撞事故致因,并得出集装箱船舶碰撞事故致因链,有助于提高集装箱船舶运输的安全性。

基于贝叶斯网络的时间序列因果关系学习

贝叶斯网络是研究变量之间因果关系的有力工具,基于贝叶斯网络的因果关系学习包括结构学习与参数学习两部分,其中,结构学习是核心.目前,贝叶斯网络主要用于发现非时间序列数据中所蕴含的因果关系(非时间序列因果关系),从数据中学习得到的也均是一般变量之间的因果关系.针对这些情况,结合时间序列预处理、时间序列变量排序、转换数据集构建和局部贪婪打分-搜索等进行时间序列的因果关系学习;再将包括分段在内的时间序列预处理、时间序列段的因果关系结构学习、因果关系结构数据集构建、因果关系变量排序和局部贪婪打分-搜索等相结合,来进行元因果关系(因果关系变量之间的因果关系)学习,从而实现两个层次的时间序列因果关系学习,为进一步的量化因果分析奠定了基础.分别使用模拟、UCI和金融时间序列数据进行实验与分析,实验结果显示,基于贝叶斯网络能够有效地进行时间序列的因果关系和元因果关系学习.