以核心变量为基础的离散贝叶斯网络结构学习.pdfVIP

第37卷第4期 东 北 师 大 学 报 自然 科 学 版 V01．37No，4 2005年 12月 JOURNALOFNORTHEASTNORMALUNIVERSITY December2005 文【章编号]lOOO一1832(2005)04—0028—04 以核心变量为基础的离散贝叶斯网络结构学习 张邦佐 一，王 辉 ，张剑飞 ，左万利2 (1．东北师范大学计算机学院，吉林 长春 130024； 2．吉林大学计算机科学与技术学院，吉林 长春 130025) [摘 要] 建立了基于核心变量的离散贝叶斯网络结构学习方法．该方法根据变量之间的无 条件相对预测能力建立有向无环图，分别按着变量的聚度和散度排序变量；以不同于被预测变 量的具有最大聚度和散度的两个变量为条件变量，根据变量之间条件相对预测能力的大小确 定弧的存在性与方向，结合环路检验建立初始贝叶斯网络结构；以两个变量的最小切割集为条 件变量集，调整初始贝叶斯网络结构(包括删除多余的弧和重新确定弧的方向)，最终建立数据 中所蕴涵的贝叶斯网络结构．同时，使用模拟数据进行 了对比实验，结果表明这是一种有效实 用的方法． [关键词] 预测能力；核心变量；最小切割集；聚度；散度 [中图分类号] TP311．131 [学科代码] 5204·050 [文献标识码]A 0 引言 贝叶斯网络是模拟不确定性问题的有利工具，已经被广泛地用于具有不确定性问题的知识表示和 推理过程[卜3_．根据数据和专业知识确定贝叶斯网络结构是贝叶斯网络学习的核心，也是贝叶斯网络 研究的热点和难点，已经出现的许多贝叶斯网络结构学习方法 (打分一有哪些信誉好的足球投注网站方法、依赖分析方法及模块 化方法等)对多变量具有复杂依赖关系的贝叶斯网络结构学习并不十分有效(或者运算量过大，或者准 确性不够等)[4-8]．本文给出的基于核心变量的离散贝叶斯网络结构学习方法，能够有效地进行各种离 散贝叶斯网络结构学习，并且便于推广到连续和}昆合的贝叶斯网络结构学习中．具有条件更高聚度和最 高散度的变量(核心变量)作为条件变量 ，既可以最大限度地减少变量之间弧的丢失，又能够排除许多多 余的弧，减少高维条件相对预测能力测试，提高学习效率和准确性．模拟数据实验表明，这种方法是一种 有效实用的离散贝叶斯网络结构学习方法． 1 变量之间的预测能力及变量的聚度与散度 设有离散变量 X 一， ，其取值为 z1，…， ，D是大小为N样本的数据集． 定义 1 设 F( ，…，Xm一Xf)为变量 Xm，…， 对变量Xi的联合预测能力， F( ，…， 一Xi)= 【收稿日期】2005．03—01 【基金项目】吉林省自然科学基金资助项 目1)；东北师范大学青年教师基金资助项目． 【作者简介】 张邦佐(1971一)，男，讲师，博士研究生，主要从事数据库和数据挖掘研究；左万利(1957一)，男，博士，教授，博士研究 生导师，主要从事数据库、有哪些信誉好的足球投注网站引擎、操作系统等研究． 第4期 张邦佐等：以核心变量为基础的离散贝叶斯网络结构学习 29 ·… · ， … · 善．P( z …， z)IIIa，…X．)tP(X~I1=~~tll19***9 )}= ( ) ． ， ． ，