一种贝叶斯网络结构学习的混合随机抽样算法

被引：6

作者：

胡春玲 ^{[1
]}

胡学钢 ^{[2
]}

吕刚 ^{[1
]}

机构：

[1] 合肥学院网络与智能信息处理重点实验室

[2] 合肥工业大学计算机与信息学院

来源：

计算机工程 | 2014年 / 40卷 / 05期

基金：

安徽省自然科学基金;

关键词：

贝叶斯网络; 结构学习; 随机抽样; 混合抽样; 子结构抽样; 建议分布;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

贝叶斯网络结构学习的随机抽样算法存在收敛速度慢的问题,为此,结合均匀抽样和独立抽样,从初始样本、抽样方式和建议分布3个方面对抽样过程进行改进,提出一种混合型马尔可夫链蒙特卡罗抽样算法(HSMHS)。基于节点之间的互信息生成网络结构的初始样本,在迭代抽样阶段,按一定的概率随机选择均匀抽样和独立抽样,并根据当前抽样的样本总体计算独立抽样的建议分布,以改善抽样过程的融合性,加快收敛速度。对算法进行正确性分析,证明其抽样过程收敛于网络结构的后验概率分布,可保持较高的学习精度。在标准数据集上的实验结果表明,HSMHS算法的学习效率和精度均高于同类算法MHS、PopMCMC和Order-MCMC。

引用

页码：238 / 242

页数：5

共 12 条

[1] 基于MH抽样的Bayesian方位估计快速算法 [J].

侯云山 ;

黄建国 ;

金勇 .

系统仿真学报, 2009, (19) :6033-6035+6072

[2] 一种基于随机抽样的贝叶斯网络结构学习算法 [J].

胡春玲 ;

胡学钢 .

计算机科学, 2009, 36 (02) :199-202

[3]

贝叶斯网络结构学习及其应用研究[D]. 胡春玲.合肥工业大学. 2011

[4]

基于MCMC方法的概念性流域水文模型参数优选及不确定性研究[D]. 曹飞凤.浙江大学. 2010

[5] Score-based methods for learning Markov boundaries by searching in constrained spaces [J].

Acid, Silvia ;

de Campos, Luis M. ;

Fernandez, Moises .

DATA MINING AND KNOWLEDGE DISCOVERY, 2013, 26 (01) :174-212

[6]

Modified Weibull model: A Bayes study using MCMC approach based on progressive censoring data[J] . Ahmed A. Soliman,Ahmed H. Abd-Ellah,Naser A. Abou-Elheggag,Essam A. Ahmed.Reliability Engineering and System Safety . 2011

[7]

Population Markov Chain Monte Carlo[J] . Kathryn Blackmond Laskey,James W. Myers.Machine Learning . 2003 (1)

[8]

Being Bayesian About Network Structure. A Bayesian Approach to Structure Discovery in Bayesian Networks[J] . Nir Friedman,Daphne Koller.Machine Learning . 2003 (1)

[9]

Learning Bayesian networks from data: An information-theory based approach[J] . Jie Cheng,Russell Greiner,Jonathan Kelly,David Bell,Weiru Liu.Artificial Intelligence . 2002 (1)

[10]

Learning Bayesian Networks: The Combination of Knowledge and Statistical Data[J] . David Heckerman,Dan Geiger,David M. Chickering.Machine Learning . 1995 (3)

← 1 2 →