信度网结构在线学习算法

被引：6

作者：

刘启元

张聪

沈一栋

汪成亮

机构：

[1] 重庆大学计算机科学与工程学院

[2] 重庆大学自动化学院重庆

来源：

软件学报 | 2002年 / 12期

关键词：

人工智能; 信度网; 机器学习; 在线学习;

D O I：

10.13328/j.cnki.jos.2002.12.012

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

摘要：

提出一种新的信度网结构在线学习算法.其核心思想是,利用新样本对信度网结构和参数不断进行增量式修改,以逐步逼近真实模型.本算法分为两个步骤:首先分别利用参数增量修改律和添加边、删除边、边反向3种结构增量修改律,并结合新采集的样本,对当前信度网模型进行增量式修改;然后利用结果选择判定准则。从增量式修改所得的后代信度网集合中选择一个合适的信度网作为本次迭代结果.该结果在与当前样本的一致性和与上一代模型的距离之间达到一个合理的折衷.实验结果表明,本算法能有效地实现信度网结构的在线学习.由于在线学习不需要历史样本,且能够不断适应问题域的变化,适合于对具有时变性的领域进行信度网建模.

引用

页码：2297 / 2304

页数：8

共 4 条

[1] Adaptive Probabilistic Networks with Hidden Variables [J].

John Binder ;

Daphne Koller ;

Stuart Russell ;

Keiji Kanazawa .

Machine Learning, 1997, 29 :213-244

[2] A BAYESIAN METHOD FOR THE INDUCTION OF PROBABILISTIC NETWORKS FROM DATA [J].

COOPER, GF ;

HERSKOVITS, E .

MACHINE LEARNING, 1992, 9 (04) :309-347

[3]

Estimating the Dimension of a Model[J] . Gideon Schwarz.The Annals of Statistics . 1978 (2)

[4]

Maximum Likelihood from Incomplete Data via the EM Algorithm[J] . A. P. Dempster,N. M. Laird,D. B. Rubin.Journal of the Royal Statistical Society. Series . 1977 (1)

← 1 →