摘 要

贝叶斯网络是一种用来处理不确定性和不完整性问题的模型，它是一种有向无环图，主要的理论基础为概率推理. 它是从样本数据中获得先验知识，再根据一些变量的信息来获取其他的概率信息. 普通的贝叶斯网络在构建学习的过程中处理起来效率不高，为此本文考虑将收敛速度快的粒子群优化算法引入到贝叶斯网络结构的学习中.

本文提出了一种基于粒子群优化的贝叶斯网络结构学习算法. 贝叶斯网络的结构被映射为一种符号编码，通过在迭代的过程中对粒子的符号状态进行改变，从而得到具有更高适应度的贝叶斯网络结构. 按照贝叶斯网络结构的特点，粒子位置和速度通过二维矩阵实现，使得该算法对贝叶斯网络的结构学习有较好的收敛性. 实验结果表明，该算法具有较好的学习效果. 算法采用了经典的ASIA网络作为初始网络，然后通过粒子群算法寻找符合弧度接近给定值并大于给定值的贝叶斯网络，实验结果分别给出了在此情况下不同迭代次数的贝叶斯网络拓扑结构，符合预期效果.

关键词：贝叶斯网络；粒子群算法；结构学习；适应度函数；符号编码

Abstract

Bayesian network is a kind of used to deal with uncertainty and incompleteness of model, it is a directed acyclic graph, the main theoretical basis for probabilistic reasoning. It acquired from sample data prior knowledge, and then based on the information of some variables to obtain the probability of other information. Common bayesian networks in the process of building learning to handle efficiency is not high, this paper consider the convergence speed of particle swarm optimization algorithm is introduced into the bayesian network structure learning.

This paper proposes a bayesian network structure learning based on particle swarm optimiza-tion algorithm is presented. Bayesian network structure is mapped to a kind of symbolic coding,

 through in the iterative process of particle symbol status changes, and the bayesian network stru-cture with higher fitness. According to the bayesian network structure, the characteristics of parti-cle position and speed by two-dimensional matrix, makes the algorithm of bayesian network str-ucture learning has better convergence. The experimental results show that the algorithm has bett-er learning effect. Algorithm adopted the classic ASIA network as the initial network, and then by particle swarm algorithm to find accord with radian and close to the given value is greater 

than the given value of bayesian networks, the experimental results are given respectively in this case different iterations of the bayesian network topology, in line with the expected effect.

Keywords:bayesian network; particle swarm algorithm; structure learning; fitness function; 

symbolic coding

目录

摘要 I

Abstract II

第一章 绪论 1

1.1 课题研究背景及意义 1

1.2 贝叶斯网络研究现状 1

1.3 贝叶斯网络的应用 2

1.4 本文组织结构 3

第二章 贝叶斯网络概述 5

2.1 贝叶斯网络的基本理论 5

2.2 贝叶斯网络参数学习 7

2.3 贝叶斯网络结构学习 8

第三章 粒子群算法 11

3.1 粒子群算法的起源 11

3.2 粒子群算法的发展及研究现状 11

3.3 粒子群算法原理及流程 12

第四章 基于粒子群算法的贝叶斯网络学习及实例分析 15

4.1 基于粒子群算法的贝叶斯网络学习方法 15

4.2 数据来源 15

4.3 算法流程和实现 16

4.4 算法结果 16

第五章 总结与展望 19

参考文献 21

附录 23

致谢 27

第一章 绪论

1.1 课题研究背景及意义

近年来，计算机技术与互联网技术发展迅猛，在人们进行信息共享的过程中，产生了大量的数据，如何有效地处理这些信息成为一个非常重要的课题，通过对数据信息的处理，降低数据模式的复杂性，从而减少大量的不确定性. 其中贝叶斯网络就是解决该类问题的一个重要模型，经典的贝叶斯网络是概率统计与图论合二为一的结果，在不确定性知识的表述和推理方面具有其特别的优势．贝叶斯图论和统计的发展为贝叶斯网络提供了很好的理论基础，而人工智能、机器学习和专家系统在实践中的广泛应用，成为贝叶斯网络发展的催化剂．从统计概率学的方向来看，贝叶斯网络是图模型的一种，而其中一个特例是人工智能学科将其根据数据获得贝叶斯网络的过程视为机器学习，称为贝叶斯网络学习．贝叶斯网络之所以能引起众多学者的极大兴趣，是因为其具备严密的推理过程、清晰的表达过程和灵活的学习机制等特点．

目前贝叶斯网络^[1]不仅仅只是停留在理论研究的层面，在实际中的应用也越来越广泛，如何充分高效利用贝叶斯网络优势的关键和前提是在约束条件中构建尽可能好的网络拓扑结构，从样本数据中对贝叶斯结构进行学习是构建贝叶斯网络结构的一种重要方法. 通过一个已知的样本数据集，获得的贝叶斯网络结构的数量是随着样本数据中条件数目的增加而呈现出指数级增长. 因此，基于贝叶斯网络的结构学习存在很多问题，需要提高贝叶斯网络结构学习中学习算法的有效性和准确性，这对贝叶斯网络的研究具有十分重要的意义.