貝葉斯網(wǎng)絡局部因果結構學習方法研究及其應用.pdf_第1頁
已閱讀1頁,還剩54頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、在過去的數(shù)年間,大量的研究集中在基于數(shù)據(jù)驅動的方式發(fā)現(xiàn)因果貝葉斯網(wǎng)絡。因果關系揭示了系統(tǒng)要素作用的本質,因果結構學習已成為貝葉斯網(wǎng)絡學習中一種重要的結構學習方法。但是從數(shù)據(jù)中學習全局貝葉斯網(wǎng)絡是一個NP難題,并且人們通常僅關心其感興趣的變量的局部因果結構。因此,學習貝葉斯網(wǎng)絡中關于目標變量的局部因果結構成為該領域的一個重要研究內(nèi)容。局部因果結構學習方法可以應用于發(fā)現(xiàn)經(jīng)濟領域的因果知識。發(fā)現(xiàn)目標變量的局部因果結構是一個充滿挑戰(zhàn)性的問題,同

2、時也具有重要的科學意義和較高的應用價值。
  論文中,將針對目標變量局部因果結構學習展開一系列的探討。局部因果結構學習主要包括兩個方面:一是,從數(shù)據(jù)中獲取關于目標變量的局部模型;二是,發(fā)現(xiàn)局部模型中變量間的因果關系。針對這兩個方面的研究內(nèi)容,本文所開展的研究工作具體如下:
  第一,為了能夠有效的學習網(wǎng)絡中目標變量的局部因果結構,提出了基于擾動學習的局部因果結構學習方法(I-LCSL方法)。首先,利用馬爾可夫毯的結構劃分能力

3、從觀測數(shù)據(jù)中獲取目標變量的局部模型。其次,利用擾動學習的因果發(fā)現(xiàn)能力,從局部模型中隨機選擇一個擾動變量進行擾動,進而獲取一組擾動數(shù)據(jù)。最后,聯(lián)合觀測數(shù)據(jù)和擾動數(shù)據(jù),利用動態(tài)規(guī)劃算法學習關于變量的局部因果結構。利用邊的錯誤率對I-LCSL方法學習到的局部因果結構進行評估。
  第二,針對現(xiàn)有方法都難以確定擾動節(jié)點的缺點,提出一種基于因果強度的局部因果結構主動學習方法(CSI-LCSL方法)。首先,尋找目標節(jié)點的馬爾可夫毯生成關于目標

4、節(jié)點的局部模型;其次,利用不對稱信息熵對局部模型中的每一節(jié)點進行因果強度分析,選取因果強度值較大的節(jié)點進行擾動,生成擾動數(shù)據(jù);再次,聯(lián)合擾動數(shù)據(jù)和觀測數(shù)據(jù)學習邊的后驗概率,從而獲得一個關于目標節(jié)點的局部因果網(wǎng)絡。最后,利用結構信息熵對CSI-LCSL方法的學習結果進行評估。
  通過現(xiàn)實生活中的數(shù)據(jù),對本文所提出的方法進行了綜合評估。實驗表明,本文提出的方法能夠有效發(fā)現(xiàn)目標變量的局部因果結構,且學習結果優(yōu)于當前的其它算法。

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論