导读:本文包含了限制性贝叶斯网络论文开题报告文献综述及选题提纲参考文献，主要关键词:机器学习,分类算法,限制性贝叶斯网络,结构学习
限制性贝叶斯网络论文文献综述
王中锋,王志海,付彬[1]（2009）在《一种局部打分搜索型限制性贝叶斯网络结构学习算法》一文中研究指出贝叶斯网络是用概率方法解决分类问题的有效工具,但学习贝叶斯网络是一个non-deterministic polynomial-time(NP)难题.以往的限制性学习算法大都假设网络结构中的结点具有基本相同的父结点数目,这往往与现实不相符的.为了学习更符合实际数据分布的限制性网络结构,进一步提高分类器的性能,本文对网络中每一个结点单独限制其父结点的数目,各个结点间是否存在父子关系是由它们之间的依赖强度所决定的.本文采用条件互信息方法度量依赖关系,这是因为条件互信息方法不但能够度量网络中各个结点之间的依赖关系,而且能够从整体上对网络结构性能进行打分.条件互信息的分解属性可以将这两者联系起来,通过对每一个结点局部限制的策略,可实现整体网络结构优化.基于这些思想,本文提出了一种学习限制性贝叶斯网络结构的局部打分搜索算法,通过此算法在20个加州大学欧文分校(University of California,IV Vine,UCI)的标准数据挖掘数据集合上与BDeu打分算法,基于最小描述长度的打分算法(minimum description length,MDL)打分算法,基于条件互信息的打分算法(conditional mutual information,CMI)打分算法和tree augmented naive bayes(TAN)算法等的比较,充分表明了本文所提出的策略具有较低的平均误分类率.(本文来源于《南京大学学报(自然科学版)》期刊2009年05期）
王世强[2]（2009）在《基于显现模式分类能力的限制性贝叶斯网络分类算法》一文中研究指出数据挖掘是研究从大量数据中用非平凡的方法发现有用知识的理论与方法.分类作为数据挖掘的一个重要课题,在统计学、机器学习、神经网络和专家系统中得到了广泛的研究.在分类方法研究中,利用“属性-值”序偶模式构造分类器是一种重要的技术.其中,基于显现模式构造的分类器在分类特征表现明显的情况下具有较高的分类精度,但对数据特征不明显的数据集合,分类效果却较差.本文首先介绍了分类的相关概念及基本技术,随后详细介绍了显现模式的基本概念及有效的使用边界操作挖掘显现模式的MBD-LLBORDER算法,然后简要分析比较了目前几种基于显现模式的分类方法.最后,本文给出了两个利用显现模式进行分类的算法.一个是基于显现模式分类能力,同时利用贝叶斯网络分类器的稳定性,构造的限制性贝叶斯分类算法.本文提出了一种新的度量显现模式分类能力的方法,该度量方式进一步反映了贝叶斯分类器中属性之间的依赖关系.这种限制性贝叶斯分类器从本质上减弱了朴素贝叶斯分类器的属性条件独立性假设.另一个是基于特殊显现模式的分类算法.利用显现模式分类能力定义了显现模式的分类系数,依据分类系数挖掘新的特殊显现模式,并且利用特殊显现模式来构造分类算法,这个分类算法中主要内容是要对分类系数进行准确度量.为了测试算法的分类性能,在UCI机器学习库中的20个数据集上的实验结果表明,与NB,C4.5,TAN以及CAEP比较分析,本文所提出的算法具有更好的分类效果.(本文来源于《北京交通大学》期刊2009-05-01）
限制性贝叶斯网络论文开题报告
（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：
数据挖掘是研究从大量数据中用非平凡的方法发现有用知识的理论与方法.分类作为数据挖掘的一个重要课题,在统计学、机器学习、神经网络和专家系统中得到了广泛的研究.在分类方法研究中,利用“属性-值”序偶模式构造分类器是一种重要的技术.其中,基于显现模式构造的分类器在分类特征表现明显的情况下具有较高的分类精度,但对数据特征不明显的数据集合,分类效果却较差.本文首先介绍了分类的相关概念及基本技术,随后详细介绍了显现模式的基本概念及有效的使用边界操作挖掘显现模式的MBD-LLBORDER算法,然后简要分析比较了目前几种基于显现模式的分类方法.最后,本文给出了两个利用显现模式进行分类的算法.一个是基于显现模式分类能力,同时利用贝叶斯网络分类器的稳定性,构造的限制性贝叶斯分类算法.本文提出了一种新的度量显现模式分类能力的方法,该度量方式进一步反映了贝叶斯分类器中属性之间的依赖关系.这种限制性贝叶斯分类器从本质上减弱了朴素贝叶斯分类器的属性条件独立性假设.另一个是基于特殊显现模式的分类算法.利用显现模式分类能力定义了显现模式的分类系数,依据分类系数挖掘新的特殊显现模式,并且利用特殊显现模式来构造分类算法,这个分类算法中主要内容是要对分类系数进行准确度量.为了测试算法的分类性能,在UCI机器学习库中的20个数据集上的实验结果表明,与NB,C4.5,TAN以及CAEP比较分析,本文所提出的算法具有更好的分类效果.
（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。
限制性贝叶斯网络论文参考文献
[1].王中锋,王志海,付彬.一种局部打分搜索型限制性贝叶斯网络结构学习算法[J].南京大学学报(自然科学版).2009
[2].王世强.基于显现模式分类能力的限制性贝叶斯网络分类算法[D].北京交通大学.2009