基于强相关逻辑的贝叶斯网络结构学习方法

对问题域的经验知识进行知识发现并形成贝叶斯网络结构是贝叶斯网络建模的核心问题。但是现有的结构学习方法的底层逻辑系统不具备知识发现的能力。强相关逻辑（strong relevant logic，SRL）系统的相关推论是获取新知识的有效手段。为了解决传统贝叶斯网络结构学习方法的主观性问题，本文提出一种新的贝叶斯网络结构学习方法。该方法首先建立了一种强相关逻辑为基础的贝叶斯网络形式化的表达系统，给出了方法实现的流程及其子算法，最后通过实例分析该方法进行结构建模的有效性。

基于最大信息系数的贝叶斯网络结构学习算法

在引入最大信息系数的基础上,提出一种改进的贝叶斯网络结构学习算法。在给定数据集的条件下,基于最大信息系数对变量间的关联度进行检测,根据筛选因子和关联度构造贝叶斯网络的初始化结构,并结合贪婪算法对初始网络结构进行局部优化,将局部最优解进行整合形成全局最优解,生成最终的网络结构。在Asia和Car基准网络上的实验结果表明,与基于传统贪婪算法、随机K2算法的贝叶斯网络结构学习算法相比,该算法可以学习到与基准网络更相近的贝叶斯网络结构,并且具有较高的正确边均值和分类准确率。