导读:本文包含了马尔科夫毯论文开题报告文献综述及选题提纲参考文献，主要关键词:贝叶斯网络结构学习,动态规划算法,马尔科夫毯,IAMB算法
马尔科夫毯论文文献综述
谭翔元,高晓光,贺楚超[1]（2019）在《基于马尔科夫毯约束的最优贝叶斯网络结构学习算法》一文中研究指出本文针对最优贝叶斯网络的结构学习问题,在动态规划算法(Dynamic Programming,DP)的基础上,使用IAMB算法(Incremental Association Markov Blanket,IAMB)计算得到的马尔科夫毯对评分计算过程进行约束,减少了评分的计算次数,提出了基于马尔科夫毯约束的动态规划算法(Dynamic Programming Constrained with Markov Blanket,DPCMB),研究了IAMB算法中重要性阈值对DPCMB算法的各项性能指标的影响,给出了调整阈值的合理建议.实验结果表明,DPCMB算法可以通过调整重要性阈值,使该算法的精度与DP算法相当,极大地减少了算法的运行时间、评分计算次数和所需存储空间.(本文来源于《电子学报》期刊2019年09期）
张俐,王枞,郭文明[2]（2018）在《利用近似马尔科夫毯的最大相关最小冗余特征选择算法》一文中研究指出针对高维数据集中冗余特征或无关特征降低机器学习模型分类准确率的问题,提出了一种基于近似马尔科夫毯的特征选择(nmRMR)算法。该算法首先利用最大相关最小冗余的准则进行特征相关性排序;采用近似马尔科夫毯算法对冗余特征或者无关特征进行删除,并最大程度地提高特征之间的相关性从而获得最优特征子集。在UCI的8个公开数据集上对比的实验结果表明:与mRMR算法相比,本文算法所选择出的特征子集数平均减少了6.875个,平均分类准确率提高了0.78%;与FullSet算法相比,本文算法所选择出的特征子集数平均减少了20.56个,平均分类准确率提高了1.88%;与FCBF算法相比,本文算法所选择出的特征子集数平均减少了3.187 5个,平均分类准确率提高了0.825%;本文算法总体优于其他算法。(本文来源于《西安交通大学学报》期刊2018年10期）
孙广路,宋智超,刘金来,朱素霞,何勇军[3]（2017）在《基于最大信息系数和近似马尔科夫毯的特征选择方法》一文中研究指出最大信息系数(Maximum information coefficient,MIC)可以对变量间的线性和非线性关系,以及非函数依赖关系进行有效度量.本文首先根据最大信息系数理论,提出了一种评价各维特征间以及每维特征与类别间相关性的度量标准,然后提出了基于新度量标准的近似马尔科夫毯特征选择方法,删除冗余特征.在此基础上提出了基于特征排序和近似马尔科夫毯的两阶段特征选择方法,分别对特征的相关性和冗余性进行分析,选择有效的特征子集.在UCI和ASU上的多个公开数据集上的对比实验表明,本文提出的方法总体优于快速相关滤波(Fast correlation-based filter,FCBF)方法,与Relief F,FAST,Lasso和RFS方法相比也具有优势.(本文来源于《自动化学报》期刊2017年05期）
姜文蓄,郭振波,王开西[4]（2016）在《结合ReliefF和改进的马尔科夫毯过滤的两阶段特征选择方法》一文中研究指出针对马尔科夫毯过滤(Markov Blanket Filter,MBF)方法中使用的线性相关系数存在只能度量变量间的线性相关性,而无法度量变量间非线性相关的问题,提出两阶段Filter特征选择方法 MBFSU-ReliefF。该方法对马尔科夫毯过滤方法作了改进,可利用对称不确定性以度量变量间的线性和非线性相关性。实验使用UCI和ASU上的4个数据集分析比较MBFSU-ReliefF、ReliefF、马尔科夫毯过滤和其他多种Filter方法,使用朴素贝叶斯和SVM两种分类器对特征选择方法选取的特征优劣进行评价,实验结果表明,MBFSU-ReliefF方法较其他方法具有较高的分类准确率。(本文来源于《青岛大学学报(自然科学版)》期刊2016年03期）
严利鑫,黄珍,朱敦尧,陈志军,冉斌[5]（2016）在《基于马尔科夫毯和隐朴素贝叶斯的驾驶行为险态辨识》一文中研究指出为了实现对驾驶行为险态的有效辨识,以实时采集的多源信息为依据,通过融合驾驶人心率变化率及违法行为将驾驶行为险态分为4级。采用马尔科夫毯特征抽取算法提取出速度、纵向加速度、前轮转角变化率、车道偏离量以及车辆位置作为构建驾驶行为险态辨识的特征集,基于隐朴素贝叶斯(HNB)构建驾驶行为险态辨识模型。十折交叉验证结果表明,该模型的辨识精度(90.6%)比朴素贝叶斯(NB)、贝叶斯网络(BN)及径向基函数(RBF)神经网络分别提高14.1%、13.9%和13%。此外,ROC曲线验证结果表明该模型对不同险态等级都具有良好的预测效果。(本文来源于《吉林大学学报(工学版)》期刊2016年06期）
傅顺开,苏致祯,Sein,Minn,吕天依[6]（2015）在《基于拓扑信息加速马尔科夫毯学习》一文中研究指出目标变量的马尔科夫毯(MB)是用于预测其状态的最优特征子集。提出一种新的约束学习类MB推导算法FSMB,它遵循后向选择的搜索策略,并依赖条件独立(CI)测试删除任意结点对之间的伪连接。与传统约束学习类算法不同,FSMB能从已执行的CI测试推导出不同结点扮演d-分割(d-separation)结点的优先等级;而后基于该信息在未来优先执行条件集中包含高优先级结点的CI测试,从而更快速地判断并删除伪连接边。该策略可帮助快速缩小搜索空间,从而大大提升学习效率。基于仿真网络的实验研究显示,FSMB在计算效率上较经典的PCMB和IPC-MB有显着的提升,而学习效果相当;在面对较大网络结构时(比如100和200个结点),甚至比公认最快速的IAMB还节省近40%的计算量,但学习效果要远优于IAMB。基于16个UCI数据集和4个经典的分类模型的实验显示,基于FSMB输出的特征集合所训练模型的分类准确率普遍接近或高于基于原有特征全集训练所得模型。因此,FSMB是快速且有效的MB推导算法。(本文来源于《计算机科学》期刊2015年S2期）
林璐[7]（2014）在《基于马尔科夫毯网络的客户流失分析》一文中研究指出贝叶斯网络是研究变量之间预测能力的有力工具,在解决不确定性和不完整性问题以及处理复杂问题上有很大的优势。作为朴素贝叶斯网络的扩展,马尔科夫毯贝叶斯网络只依据对输出结果有显着影响的输入变量进行分类预测,是一种更为理想的解决方案。利用马尔科夫毯贝叶斯网络进行流失客户分析,挖掘导致流失的客户特征,从而辅助决策者制订相应的客户挽留策略。(本文来源于《计算机光盘软件与应用》期刊2014年23期）
朱晓峰[8]（2014）在《贝叶斯网络及马尔科夫毯的学习算法研究》一文中研究指出贝叶斯网络是概率论与图论相结合的一种图模型结构,在不确定性知识表达和推理方面具有显着而独特的优势,并已成功的应用于机器学习、人工智能、数据挖掘与预测等多个领域.然而,随着数据维数的不断增大,网络节点数目随之增多.贝叶斯网络结构的构建与进一步研究仅依靠专家的领域知识以及已有学习算法都显得极其艰难.因此,研究贝叶斯网络结构的学习成为各领域的热点.其次,数据挖掘非常有力的工具之一分类器也引起了人们的重视,然而属性选择对于分类器的研究起着至关重要的作用.但是数据维数的增大,使得属性选择空间变大,因此给经典属性选择方法提出了新挑战.针对较高维数的数据进行分类器学习与局部学习贝叶斯网络结构等问题,可通过马尔科夫毯的学习与研究予以解决.本文首先对马尔科夫毯的学习进行深入探讨;其次,研究贝叶斯网络结构学习;最后,基于原有算法分别对上述两类问题提出了新算法.具体工作如下:首先,本文在马尔科夫毯学习算法HITON的基础上结合有效属性集提出了EFHITON算法,并且算法在寻求目标变量T的父子节点集过程中及时存储目标变量T与其非父子节点的分割集,储存的集合族为确定T的配偶节点时,可以避免重复独立性检验.其次,提出FEIPC-MB,它主要在原IPC-MB算法的基础上结合互信息知识,调节与目标变量独立性检验候选邻居节点的顺序.此外根据启发式思想改变了条件独立性检验时条件集随机选取机制.其次,高阶条件独立性检验不可靠且检验次数随着网络中节点数目增长呈指数级变化,使得大部分基于约束学习算法对于大型网络结构学习变的非常困难.鉴于此本文基于PC算法提出了新的FEPC算法.主要改进如下:第一,按照各节点邻居集的大小升序排列,对排序后满足独立性检验条件的所有节点按序列依次进行同阶检验,确定每个节点与其邻居节点的独立关系,迭代上述过程;第二,基于互信息理论及意义.对于单个目标变量来说,先检测与其互信息较小的候选邻居节点的独立性关系,在此过程中以与目标变量互信息较大的节点构成条件集.最后,新算法EFHITON、FEIPC-MB和FEPC分别与其相对应的经典算法通过实验仿真结果进行比较.实验结果显示,新算法不但减少了条件独立性检验次数,而且降低了检验时条件集的阶数.故而,新算法具有较低的时间复杂度且在精度以及正确率有明显的优势.(本文来源于《西安电子科技大学》期刊2014-12-01）
郭坤[9]（2012）在《基于回归分析的马尔科夫毯学习算法研究及其应用》一文中研究指出特征选择是数据挖掘和机器学习领域的重要研究部分，是从特征集合中选择相关的特征，并剔除不相关特征和冗余特征。特征选择可以有效减少问题求解中的变量，解决“维度灾难”的问题。贝叶斯网络是将概率论与图论相结合，定性和定量的描述数据仓库中变量之间关系的模型。贝叶斯网络中一个变量的马尔科夫毯包括该变量的父结点、子结点和配偶结点（子结点的父结点）。一个变量的马尔科夫毯可以屏蔽网络中其它变量对该变量的影响。本文首先介绍了马尔科夫毯学习算法的研究现状，部分算法中存在着包含错误冗余结点的问题。回归分析是确定变量之间相关关系的统计分析方法，通过假设检验，剔除与因变量相关性弱及不相关的变量。将马尔科夫毯学习算法和回归分析相结合，剔除候选马尔科夫毯中与目标变量相关性弱和不相关的变量，并利用条件独立测试返回最终的马尔科夫毯。将该方法在经典网络上的实验结果与已有的马尔科夫毯学习算法进行比较，表明了该方法的有效性和可靠性。股市的行业板块间具有很强的相关性，而房地产行业在我国经济中发挥着重要作用。利用本文算法对上证股市行业板块收盘指数数据进行处理，从股市行业板块中选择与房地产板块具有特征相关的行业板块，利用Granger因果检验从中选择与房地产板块存在时序因果关系的板块，并与房地产板块建立向量自回归模型，从而对房地产板块的日对数收益率进行预测，最后通过脉冲响应和方差分解对模型进行分析，证实了房地产板块和相关板块的影响关系。(本文来源于《合肥工业大学》期刊2012-04-01）
王双成,冷翠平,刘凤霞[10]（2008）在《无向马尔科夫毯分类器与集成》一文中研究指出无向马尔科夫毯结构是属性和类变量之间的最重要依赖结构之一,建立无向马尔科夫毯分类器的核心是无向马尔科夫毯结构学习。针对现有无向马尔科夫毯结构学习方法具有低效率和可靠性,以及不具实用性等问题,基于贝叶斯网络理论、马尔科夫网络理论和依赖分析方法进行具有多项式复杂度的无向马尔科夫毯结构和分类器学习,来避免这些问题。并建立最优性定理、可转换定理、可靠性定理和局部化定理为其提供理论依据。同时,对小例子集情况,给出了近似学习方法,并将无向马尔科夫毯分类器扩展为联合分类器,以有效地进行小例子集分类。(本文来源于《系统工程与电子技术》期刊2008年07期）
马尔科夫毯论文开题报告
（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：
针对高维数据集中冗余特征或无关特征降低机器学习模型分类准确率的问题,提出了一种基于近似马尔科夫毯的特征选择(nmRMR)算法。该算法首先利用最大相关最小冗余的准则进行特征相关性排序;采用近似马尔科夫毯算法对冗余特征或者无关特征进行删除,并最大程度地提高特征之间的相关性从而获得最优特征子集。在UCI的8个公开数据集上对比的实验结果表明:与mRMR算法相比,本文算法所选择出的特征子集数平均减少了6.875个,平均分类准确率提高了0.78%;与FullSet算法相比,本文算法所选择出的特征子集数平均减少了20.56个,平均分类准确率提高了1.88%;与FCBF算法相比,本文算法所选择出的特征子集数平均减少了3.187 5个,平均分类准确率提高了0.825%;本文算法总体优于其他算法。
（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。
马尔科夫毯论文参考文献
[1].谭翔元,高晓光,贺楚超.基于马尔科夫毯约束的最优贝叶斯网络结构学习算法[J].电子学报.2019
[2].张俐,王枞,郭文明.利用近似马尔科夫毯的最大相关最小冗余特征选择算法[J].西安交通大学学报.2018
[3].孙广路,宋智超,刘金来,朱素霞,何勇军.基于最大信息系数和近似马尔科夫毯的特征选择方法[J].自动化学报.2017
[4].姜文蓄,郭振波,王开西.结合ReliefF和改进的马尔科夫毯过滤的两阶段特征选择方法[J].青岛大学学报(自然科学版).2016
[5].严利鑫,黄珍,朱敦尧,陈志军,冉斌.基于马尔科夫毯和隐朴素贝叶斯的驾驶行为险态辨识[J].吉林大学学报(工学版).2016
[6].傅顺开,苏致祯,Sein,Minn,吕天依.基于拓扑信息加速马尔科夫毯学习[J].计算机科学.2015
[7].林璐.基于马尔科夫毯网络的客户流失分析[J].计算机光盘软件与应用.2014
[8].朱晓峰.贝叶斯网络及马尔科夫毯的学习算法研究[D].西安电子科技大学.2014
[9].郭坤.基于回归分析的马尔科夫毯学习算法研究及其应用[D].合肥工业大学.2012
[10].王双成,冷翠平,刘凤霞.无向马尔科夫毯分类器与集成[J].系统工程与电子技术.2008