郭志高 作品数:8 被引量:46 H指数:6 供职机构: 西北工业大学电子信息学院 更多>> 发文基金: 国家教育部博士点基金 国家自然科学基金 中央高校基本科研业务费专项资金 更多>> 相关领域: 自动化与计算机技术 更多>>
小数据集条件下基于数据再利用的BN参数学习 被引量:7 2015年 着重研究了小数据集条件下结合凸约束的离散贝叶斯网络(Bayesian network,BN)参数学习问题,主要任务是用先验知识弥补数据的不足以提高参数学习精度.已有成果认为数据和先验知识是独立的,在参数学习算法中仅将二者机械结合.经过理论研究后,本文认为数据和先验知识并不独立,原有算法浪费了这部分有用信息.本文立足于数据信息分类,深入挖掘数据和先验知识之间的约束信息来提高参数学习精度,提出了新的BN参数学习算法—凸约束条件下基于数据再利用的贝叶斯估计.通过仿真实验展示了所提算法在精度和其他性能上的优势,进一步证明数据和先验知识不独立思想的合理性. 杨宇 高晓光 郭志高关键词:贝叶斯网络 基于单调性约束的离散贝叶斯网络参数学习 被引量:8 2014年 针对小样本条件下的离散贝叶斯网络参数学习问题,提出一种基于单调性约束的学习算法。首先,给出了单调性约束的数学模型,以表达定性的先验信息;然后,将单调性约束以狄利克雷先验的形式集成到贝叶斯估计中,并利用贝叶斯估计进行参数学习;最后,通过仿真实验与最大似然估计和保序回归方法进行比较。实验结果表明,在小样本条件下,所提算法在准确性上优于最大似然估计和保序回归,但时效性介于二者之间。 邸若海 高晓光 郭志高关键词:小样本 保序回归 最大似然估计 小数据集BN建模方法及其在威胁评估中的应用 被引量:8 2016年 贝叶斯网络是数据挖掘领域的主要工具之一.在某些特定场合,如重大装备的故障诊断、地质灾害预测及作战决策等,希望用少量数据得到较好的结果.因此,本文针对小数据集条件下的贝叶斯网络学习问题展开研究.首先,建立基于连接概率分布的结构约束模型,提出I-BD-BPSO(Improved-Bayesian Dirichlet-Binary Particle Swarm Optimization)结构学习算法;其次,建立单调性参数约束模型,提出MCE(Monotonicity Constraint Estimation)参数学习算法;最后,应用所提算法构建威胁评估模型并应用变量消元法进行推理计算.实验结果表明,在小数据集条件下,本文的结构学习算法优于经典的二值粒子群优化算法,参数学习算法优于最大似然估计、保序回归及凸优化算法,并能够构建有效的威胁评估模型. 邸若海 高晓光 郭志高关键词:贝叶斯网络 小数据集条件下贝叶斯网络自适应参数学习方法 被引量:3 2016年 针对小数据集条件下贝叶斯网络参数学习问题,约束最大似然(CML)和定性最大后验概率(QMAP)方法是两种约束适用性较好的方法.当样本数量、约束数量、参数位置不同时,上述两种方法互有优劣,进而导致方法上的难以选择.因此,本文提出一种自适应参数学习方法:首先,利用CML和QMAP方法学习得到两组参数;然后,基于拒绝–接受采样和空间最大后验概率思想自定义计算得到样本权重、约束权重、参数位置权重;最后,基于上述参数和权重计算得到新的参数解.实验表明:在任何条件下,本文方法计算得到参数的精度接近甚至优于CML和QMAP方法的最优解. 郭志高 高晓光 邸若海关键词:贝叶斯网络 参数估计 凸优化 自适应方法 小数据集条件下基于双重约束的BN参数学习 被引量:7 2014年 针对小数据集条件下的贝叶斯网络(Bayesian network,BN)参数学习问题,提出了一种基于双重约束的贝叶斯网络参数学习方法.首先,对网络中的参数进行分析并将网络中的参数划分为:父节点组合状态相同而子节点状态不同的参数和父节点组合状态不同而子节点状态相同的参数;然后,针对第一类参数提出了一种新的基于Beta分布拟合的贝叶斯估计方法,而针对第二类参数利用已有的保序回归估计方法进行学习,进而实现了对网络中参数的双重约束学习;最后,通过仿真实例说明了基于双重约束的参数学习方法对小数据集条件下贝叶斯网络参数学习精度提高的有效性. 郭志高 高晓光 邸若海关键词:贝叶斯网络 BETA分布 保序回归 基于改进粒子群优化算法的贝叶斯网络结构学习 被引量:12 2014年 贝叶斯网络结构学习是数据挖掘和知识发现领域的重要研究技术之一,在网络结构的搜索空间较大的情况下,传统的二值粒子群优化算法往往存在收敛速度慢,容易陷入局部最优,学习精度较差的缺陷。在传统二值粒子群优化算法基础上,利用互信息限制粒子群算法的初始化,缩小算法的搜索空间,同时构建新的进化模型代替原有的进化公式,使得改进后的算法具有更强的寻优能力。采用ASIA网络作为仿真模型,并与原有算法比较,结果表明,改进算法能够在较少的迭代次数下找到较优的解,并且基本没有增加算法的复杂度。 高晓光 邸若海 郭志高关键词:贝叶斯网络 数据挖掘 粒子群优化 基于加性协同的离散贝叶斯网络参数学习 2014年 针对小数据集条件下离散BN参数学习的问题,为了将加性协同约束融入到BN参数学习过程中,通过借鉴经典保序回归算法的思想,提出四种处理加性协同约束的方法,进而利用经典的草地湿润模型对改进算法进行仿真,并与最大似然估计算法进行对比,仿真结果表明,改进算法在精度上有一定优势,能够很好的对最大似然估计算法进行修正,得到相对准确的参数,然而时效性则劣于最大似然估计算法。进一步将改进算法应用到弹道导弹突防模型的参数学习中,通过推理分析验证算法的有效性。 邸若海 高晓光 郭志高关键词:贝叶斯网络 基于改进BIC评分的贝叶斯网络结构学习 被引量:10 2017年 引入专家知识已成为小数据集条件下贝叶斯网络建模的主流方法,然而,专家知识是否正确直接决定了算法的结果和性能。因此,在考虑专家知识正确性的基础上,本文对贝叶斯网络结构学习问题展开研究。首先,建立一种基于连接概率分布的结构约束模型来表示专家知识,进而结合该约束模型对贝叶斯信息准则(Bayesian information criterions,BIC)评分进行改进;最后,利用K2算法学习贝叶斯网络结构。实验结果表明,在小数据集条件下本文所提算法不仅能将专家知识引入到学习过程中,进而改善学习效果,并且对不完全正确的专家知识有一定的适应性。 邸若海 高晓光 郭志高关键词:贝叶斯网络 专家知识