导读:本文包含了学习贝叶斯网论文开题报告文献综述及选题提纲参考文献，主要关键词:贝叶斯网,潜变量,惩罚似然,交替凸搜索
学习贝叶斯网论文文献综述
陈婷[1]（2019）在《基于惩罚似然的含潜变量贝叶斯网的结构学习》一文中研究指出图模型能清楚地表示变量间的结构关系,被广泛的应用于机器学习、因果推断、生物信息学等各个领域。图模型中的贝叶斯网是一个有向无环的模型,能够更直观的描述变量间的依赖关系,特别是在其中引入潜变量后,不仅可表示因果推断中不可观测的混杂,而且可简化模型降低模型的复杂度,还可以提高计算的效率。然而,如何确定潜变量的个数、潜变量取值空间以及变量之间结构依赖关系,获得与数据拟合最好的模型,是一个非常具有挑战性的问题。这一问题在机器学习领域称为结构学习,本质上是统计学中的模型选择问题。本文针对含潜变量的贝叶斯网的结构学习问题,给出了基于惩罚似然的方法。这里的惩罚包括两项。一是对于可观测变量间的系数进行_1l范数惩罚,以获得稀疏的模型;二是采用核范数(本文中为矩阵的迹)惩罚,以控制潜变量的个数。我们采用交替凸搜索方法,结合ADMM算法和坐标轴下降法,最小化惩罚似然,从而获得观测变量间的结构关系和潜变量个数的估计。我们给出了详细推导过程,编写了R程序,与当前主流的PC算法、RFCI算法、Adaptive Lasso惩罚似然方法、低秩稀疏(lrps)方法、低秩稀疏+贪婪搜索(lrps+ges)方法进行了比较。通过大量的模拟,我们发现当样本量大于200时,我们的方法有较好的表现。(本文来源于《长春工业大学》期刊2019-06-01）
郭珉,石洪波,程鑫[2]（2019）在《基于贝叶斯网稀疏结构学习的信用影响因素结构发现》一文中研究指出面对海量高维信用数据,传统贝叶斯网络在刻画变量复杂结构和概率关系时遇到了挑战。尝试将基于multi-logit回归的离散贝叶斯网络稀疏方法用于个人信用影响因素结构关系的发现,实现从多维变量复杂关系中抓取重要结构关系;基于解路径探讨了用于结构发现的稀疏贝叶斯网络模型的选择标准,并比较了稀疏贝叶斯网络与经典贝叶斯网络结构学习的性能;结合领域先验知识进一步改进贝叶斯网络结构,定性分析多维变量存在的主要结构关系;在确定多维变量稀疏网络结构的基础上,采用贝叶斯后验估计获取模型参数,并利用贝叶斯网络推理定量分析关键变量对信贷客户类型的直接或间接影响。(本文来源于《统计与信息论坛》期刊2019年01期）
吕宗磊,芦穆庆[3]（2018）在《基于属性序的贝叶斯网结构快速学习方法》一文中研究指出提出一种基于属性序的贝叶斯网结构快速学习方法,实现贝叶斯网结构的快速构建。以先验知识和样本数据信息为基础进行贝叶斯网结构模型的构建;在此基础上进行参数学习,得到体现各个节点相互依赖关系的贝叶斯网。实验结果表明,该方法可以有效学习贝叶斯网结构,训练得到的贝叶斯网络节点的后验概率与统计得到的条件概率相当接近,可以用于有效分析航班保障各作业环节之间的相关性。(本文来源于《计算机工程与设计》期刊2018年09期）
乔亚琴[4]（2018）在《基于贝叶斯网模型的多标签学习算法研究》一文中研究指出随着信息技术的快速发展,现实生活中出现了大量的多标签数据.因此近年来多标签学习成为研究者们研究的一个热点问题.目前研究者们已经相继提出多种多标签学习方法.主要包括“问题转换”及“算法适应”两种方法,“问题转换”方法主要是将多标签训练数据集进行处理,把多标签学习问题转换为其他的学习问题进行学习,“算法适应”方法是将常用的机器学习算法进行改进,使其适用于多标签数据学习.由于目前提出的算法大多没有考虑到标签之间的相关性,而贝叶斯网正是通过数据分析找到变量之间的相关性,因此本文结合贝叶斯网去研究多标签分类问题.在考虑标签之间的相关性和ML-kNN算法的基础上提出了标签相关的多标签分类算法和基于样本k近邻数据的多标签分类算法等算法.主要研究工作如下:(1)对多标签数据集,通过引入mlaim值刻画标签与属性之间的相关性,提出多标签数据集离散化的方法.进而通过对多标签数据集中的标签集进行贝叶斯网结构学习,提出标签相关的多标签分类模型及算法,并通过多标签数据集验证所给模型及算法的有效性.(2)通过k近邻的分类思想,构造出每个样本关于k近邻样本标签的新数据集,在新数据集下建立线性回归模型和Logistic回归模型,提出基于样本k近邻数据的多标签分类算法,并通过实验验证所给模型及算法的有效性.(3)为了更好的利用原始数据集的信息,找出每个标签关于原始属性的Markov边界,将这些属性作为新数据集中的属性,建立回归模型进而提出考虑Markov边界的多标签分类算法,并通过实验验证所给模型及算法的有效性.(本文来源于《西安工程大学》期刊2018-05-29）
杨莎莎[5]（2017）在《贝叶斯网结构学习方法研究》一文中研究指出贝叶斯网络(Bsyesian network)是描述随机变量间的依赖关系的图形模式,已被普遍应用于不确定性问题的智能化求解.贝叶斯网络学习又分为结构学习和参数学习,本文主要研究贝叶斯网络的结构学习.贝叶斯网络是对变量之间的关系进行描述,这种固有属性保证了结构学习的可操作性,也为结构学习提供了基本方法和思路.贝叶斯网络结构学习的目的是寻求一种最符合变量间关系的网络结构来建立数据之间的关系.粗糙集中的属性依赖度很好的表达了两个变量之间的依赖关系,因此本文提出了利用属性依赖度来建立贝叶斯网的方法.将该方法与一些现有的建立贝叶斯网络的方法相比较,结果证明该方法有效且准确.对于属性个数比较多的复杂网络,将复杂网络分解成若干个小网络分别进行研究是一种有效的方法,分解的前提是不破坏原来的知识结构中隐含的信息.本文在研究了联合树和贝叶斯网络道德图的相关知识的基础上,提出了一种将复杂贝叶斯网络分解成若干个小网络的方法.此方法可以使分解时相关知识信息不流失,同时也不引入多余的知识.用该方法分解得到的若干个简单网络和原复杂网络中的依赖关系一致,而且分解过程中也没有出现新产生的依赖关系.所以,该分解方法是有效的.首先,论文介绍了贝叶斯网络的相关背景和研究意义,简述贝叶斯网络的研究现状,以及贝叶斯网络的基本知识.然后,详细介绍了几种贝叶斯网络结构构造方法,研究了属性依赖度的性质,在此基础上提出了一种新的贝叶斯网络构造方法.最后,研究了贝叶斯网络的分解的意义,提出了一种分解贝叶斯网络的方法,探讨了分解后的网络与原网络的关系,为贝叶斯网络的分解提供思路和方法.(本文来源于《江西师范大学》期刊2017-06-01）
甘洪啸[6]（2017）在《基于PU学习和贝叶斯网的不确定数据分类研究》一文中研究指出现实应用中数据的不确定性广泛存在,如位置信息服务,传感器网络和医疗诊断。产生不确定数据的原因包括了测量不准确、网络延迟、过时数据、错误样本和隐私保护。完成传统的分类工作需要来自所有类别的样本,但是在很多现实生活应用中,收集所有类别的已标注样本成本非常高,有时甚至是不可能的,但是大量存在的未标注样本相对容易获得。在一些二分类问题中,一部分已标注的正例样本(我们关注的类别的样本)和大量未标注样本是可以获得的。PU学习(Positive Unlabeled Learning)是指从只包含少量已标注的正例样本和未标注类别的样本的训练集上学习,而且在现实生产生活中普遍存在,例如文本分类和金融诈骗检测。PU学习近年来获得了研究人员的广泛关注,但是大多数局限于确定数据。目前在只有正例未标注样本的场景下针对不确定数据分类算法只有UPNB(Uncertain Positive na?ve Bayes)算法(He et al.2010)。该算法利用的朴素贝叶斯算法包含了强大的条件独立假设,由于该假设在现实应用中很难成立,所以它限制了UPNB算法的分类效果。针对这样的研究现状,本文讨论在正例和未标注样本学习场景下针对含有不确定信息的数据的贝叶斯网分类问题。本文主要研究与成果:(1)研究在PU学习场景下不确定数据属性间的条件互信息的计算问题,提出不确定条件互信息(Uncertain Conditional Mutual Information,UCMI)来处理该问题。传统的TAN(Tree Augmented Na?ve Bayes)贝叶斯网分类算法中的条件互信息只能从全标注的确定数据中学习TAN树形网络结构。本研究借助概率势(Probability Cardinality,PC)的概念,针对PU学习场景改进条件互信息的计算方法提出不确定条件互信息概念来衡量不确定每对属性间的依赖关系,从而确定各属性在TAN模型中的双亲属性,即贝叶斯网结构。(2)研究利用贝叶斯网解决在正例未标注样本场景下不确定数据的分类问题,提出UPTAN贝叶斯网分类算法解决该问题,并在分类效果上超过目前该领域最先进的基于朴素贝叶斯的UPNB算法。在贝叶斯网结构学习部分,UPTAN利用不确定条件互信息计算不确定属性间的依赖关系,从而可以在PU学习场景下从不确定数据中学习得到TAN贝叶斯网络结构。在贝叶斯网分类器的参数学习部分,UPTAN通过计算概率势来代替统计频数从而扩展PU学习算法PTAN(Positive Tree Augmented Na?ve Bayes)的条件概率表(Conditional Probability Tables,CPTs)参数学习方法,使之可以处理PU学习场景和不确定数据。(3)针对UPTAN的分类效果和不确定属性对UPTAN分类效果的影响,本研究在20个UCI数据集上开展实验。实验结果证明UPTAN算法的分类性能超过目前该领域最先进的UPNB算法3.37%(以F1为性能指标)和不确定属性越具有代表性,不确定性越大,UPTAN算法分类效果下降越多。(本文来源于《西北农林科技大学》期刊2017-05-01）
段宏英,姜威,于帅[7]（2016）在《基于分治策略的贝叶斯网学习方法及在图像分割中的应用》一文中研究指出贝叶斯网将概率论和图论相结合,是一种描述随机变量间依赖关系,并能紧凑高效的表示联合概率分布的概率图模型,近年来已成为人工智能理论中处理不确定性问题的重要工具,面向大数据的贝叶斯网学习方法一个重要问题。论文给出了基于分治算法的高维贝叶斯网学习新思路,并给出了其在图像分割领域中的应用策略。(本文来源于《网络空间安全》期刊2016年05期）
任群[8]（2015）在《贝叶斯网的学习与应用研究综述》一文中研究指出随着信息化的发展,人们对信息处理的要求正逐渐提高,相应的智能数据处理技术也快速地进步,贝叶斯网络成为信息工程师持续关注和研究的重点。为此,针对贝叶斯网基本理论和算法进行概述,研究其学习方法与应用,并且讨论其发展状况,为今后的研究指明方向。(本文来源于《普洱学院学报》期刊2015年03期）
狄方旭,王小平,李瑾,刘哲[9]（2014）在《基于参数学习贝叶斯网络的对敌空中目标融合识别》一文中研究指出文中深入研究了贝叶斯网络推理和参数学习方法,提出了基于参数学习贝叶斯网络的目标融合识别方法,逆向分析建立了多传感器目标融合识别贝叶斯网络模型,并采用EM参数学习算法对所建立的网络模型进行参数优化。最后进行了实例仿真,仿真结果表明经过参数学习的贝叶斯网络模型比单纯依靠专家知识的贝叶斯网络模型能更加精确的识别目标。(本文来源于《弹箭与制导学报》期刊2014年06期）
褚灵伟,李捷,董晨,陆肖元[10]（2014）在《基于双层贝叶斯网增强学习机制的网络认知算法》一文中研究指出为提高网络认知的准确度,采用双层贝叶斯网络模型对网络参数进行层次化描述;采用强化学习推理算法对模型的条件概率表进行分级和学习,删除冗余信息,更准确地反映网络参数间的依赖关系,保证网络认知算法的准确度。经仿真分析,证明算法能够更好地描述网络参数的依赖信息,具有较高的推理准确度。(本文来源于《计算机应用研究》期刊2014年05期）
学习贝叶斯网论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
面对海量高维信用数据,传统贝叶斯网络在刻画变量复杂结构和概率关系时遇到了挑战。尝试将基于multi-logit回归的离散贝叶斯网络稀疏方法用于个人信用影响因素结构关系的发现,实现从多维变量复杂关系中抓取重要结构关系;基于解路径探讨了用于结构发现的稀疏贝叶斯网络模型的选择标准,并比较了稀疏贝叶斯网络与经典贝叶斯网络结构学习的性能;结合领域先验知识进一步改进贝叶斯网络结构,定性分析多维变量存在的主要结构关系;在确定多维变量稀疏网络结构的基础上,采用贝叶斯后验估计获取模型参数,并利用贝叶斯网络推理定量分析关键变量对信贷客户类型的直接或间接影响。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
学习贝叶斯网论文参考文献
[1].陈婷.基于惩罚似然的含潜变量贝叶斯网的结构学习[D].长春工业大学.2019
[2].郭珉,石洪波,程鑫.基于贝叶斯网稀疏结构学习的信用影响因素结构发现[J].统计与信息论坛.2019
[3].吕宗磊,芦穆庆.基于属性序的贝叶斯网结构快速学习方法[J].计算机工程与设计.2018
[4].乔亚琴.基于贝叶斯网模型的多标签学习算法研究[D].西安工程大学.2018
[5].杨莎莎.贝叶斯网结构学习方法研究[D].江西师范大学.2017
[6].甘洪啸.基于PU学习和贝叶斯网的不确定数据分类研究[D].西北农林科技大学.2017
[7].段宏英,姜威,于帅.基于分治策略的贝叶斯网学习方法及在图像分割中的应用[J].网络空间安全.2016
[8].任群.贝叶斯网的学习与应用研究综述[J].普洱学院学报.2015
[9].狄方旭,王小平,李瑾,刘哲.基于参数学习贝叶斯网络的对敌空中目标融合识别[J].弹箭与制导学报.2014
[10].褚灵伟,李捷,董晨,陆肖元.基于双层贝叶斯网增强学习机制的网络认知算法[J].计算机应用研究.2014