基于MMPC-FPSO贝叶斯网络混合结构学习方法

针对贝叶斯网络结构学习的过程中网络结构规模随节点数增加呈指数增长,导致网络结构搜索空间增大,进而导致网络结构学习算法效率低下的问题,提出一种基于最大最小父子集合约束与萤火虫粒子群搜索算法的贝叶斯网络混合结构学习方法。首先,针对粒子群算法在解决贝叶斯网络结构学习过程中,随机初始化网络结构种群导致算法搜索效率低下,网络结构准确性低的问题提出一种基于改进的最大最小父子集合算法的种群约束方法。其次,针对传统的基于粒子群评分搜索方法速度慢,精度低,易陷入局部最优的问题,提出一种基于萤火虫算子的粒子寻优策略。最后,为了验证所提方法的正确性和优越性,将上述方法用于3种标准网络的结构学习。仿真结果表明:所提算法与传统的基于粒子群的结构学习方法相比,所得的贝叶斯信息准则评分与标准网络评分的差距分别缩小了68.7%、65.5%、34.1%。

MMPC-Tabu混合算法的贝叶斯网络模型在高脂血症相关因素研究中的应用

目的本研究采用MMPC-Tabu混合算法构建山西省高脂血症的贝叶斯网络模型,研究高脂血症及其相关因素间的网络关系及相关程度,并通过贝叶斯网络对高脂血症进行患病风险推理,为慢病影响因素分析提供更合理的建模方法。方法采用logistic回归对山西省18岁以上居民高脂血症的调查数据进行变量初步筛选,再以MMPC-Tabu混合算法和极大似然估计法构建贝叶斯网络。结果2013年山西省高脂血症患病率为42.6%(95%CI:41.1%~44.1%)。将logistic回归初筛与高脂血症有关的9个变量,采用MMPC-Tabu算法构建高脂血症的贝叶斯网络模型,结果显示:中心性肥胖和BMI与高脂血症直接相关,是高脂血症的父节点,即它们与高脂血症的发生有关;高血压、身体活动、性别、年龄、地区、糖尿病通过影响中心性肥胖和BMI间接影响高脂血症的发生。结论贝叶斯网络可以反映因素与疾病整体联动效应,揭示高脂血症直接和间接相关的因素和关联强度,同时阐明除高脂血症以外的其他影响因素间的关系,可为慢性病与相关因素的研究提供合理的方法。

基于节点排序的贝叶斯网络结构学习算法

针对K2算法学习贝叶斯网络结构时需要确定节点顺序的问题,提出一种混合贝叶斯网络结构学习算法。在给定数据集的情况下,利用MMPC算法获得网络的初始结构图,应用广度优先搜索的方式对此初始结构图进行搜索,从该图中入度为0的节点出发,按层次依次访问图中的邻接点,获得优化的节点顺序。将该节点顺序作为K2算法的初始节点顺序,再利用K2算法对空间进行搜索,找到全局最优解。实验结果表明,与K2算法和限制性粒子群算法相比,该算法在相同的样本数据集下产生多边、少边和反边情况的概率更低,并且可学习到更准确的贝叶斯网络结构,收敛速度快、求解精度高。