Credal网络的若干问题研究及应用.docx

北京理工大学博士学位论文

摘要

贝叶斯网络作为人工智能领域的一种决策模型，对于应用领域的决策支持系统和专家系统的建立起到了举足轻重的作用。然而，在多数情况下，由于对参数建模的严格要求，使得模型难以完全表达人类专家的主观信念和不完备的数据信息。通过应用凸集分布理论，Credal网络把贝叶斯网络扩展到不确定性领域，克服了贝叶斯网络、定性概率网络和半定性概率网络的缺点与不足，为建立能够融合各种信息来源的复杂

不确定性决策模型提供了一种新工具。

本文在对Credal网络相关理论与方法进行深入研究的基础上，利用多种软计算方法，包括Rough集理论、数据挖掘理论和遗传算法等，对Credal网络的结构建模、多模型集成和智能推理方法进行研究，为更好地推动复杂不确定性问题的数据挖掘和辅助

决策提供智能化方法。基于此，本文主要进行了以下几个方面的研究：

第一，研究了基于Rough包含的Credal网络结构建模方法。现有的利用数据进行Credal网络结构建模的方法割裂了弧及其方向的整体性，使得在条件独立性验证方面对数据集的要求较高且弧的方向难以确定，以至于产生较高的时间复杂度。针对这一问题，在Credal网络结构中连接弧表示变量之间依赖关系的前提下，利用Rough集方法并结合数据挖掘理论来确定变量之间的依赖关系：然后，在有向网络结构上进行条件独立性验证，使得结构学习对样本数据集的规模要求大大降低，同时也降低了时间复杂度，构建出符合用户容忍度的Credal网络结构模型。最后，结合算例分析了该

结构建模方法的应用过程及其运行效率。

第二，研究了多贝叶斯网络和多Credal网络模型的集成方法。首先，分析了贝叶斯网络和Credal网络在结构建模上存在的多重解问题，提出了采用多模型集成进行辅助决策的方法。为区分不同模型拟合同一问题的相对准确性，把单个贝叶斯网络或Credal网络看作是一个专家，通过数据迭代学习每一个模型的权重；然后，根据模型的权重和各输出结果之间的不一致距离，扩展其线性凸组合的不确定性，使得最终的预测和分类是具有不同权重的专家群决策结果，并且这个结果更加相信权重较大的模

型输出，避免了单一决策模型的偶然性影响。

第三，研究了面向目标的Credal网络推理方法。把贝叶斯网络中面向目标的思想引入到Credal网络推理中，在分析了原有基于遗传算法的Credal网络近似推理方法不

足的基础上，提出了面向目标和遗传算法相结合的Credal网络推理方法；通过对蚁群

北京理工大学博士学位论文

Ⅱ

算法原理的分析，提出了面向目标和蚁群算法相结合的Credal网络推理方法，用于提供影响极值决策的各敏感性因素，便于进行更加有效的决策分析；在此基础上，提出了基于遗传-蚁群算法的Credal网络推理方法，该方法既具有有哪些信誉好的足球投注网站的全局特性，也满足了Credal集的敏感性分析。随后，利用MATLAB的BNT工具箱进行了算法的具体实现，并对基于枚举算法、遗传算法、蚁群算法和遗传-蚁群算法等Credal网络推理方法进行了比较分析。研究结果表明：在有限的时间内，尽管不同推理方法的效率有所差异，但求解精度是令人满意的。最后，给出了在具体应用过程中推理方法选取

的合理性建议。

第四，应用Credal网络进行了农作物单产的预测和评估研究。首先，分析了现有农作物产量预测方法的不足，探讨了Credal网络作为农作物单产概率风险评估方法的优势所在。随后，以水稻单产预测和评估为例，在原有预测模型的基础上，构建出具有一定层次关系的Credal网络拓扑结构，用于表达各影响因素之间的关系，并邀请有关专家对网络上各节点指定不确定概率分布，构建出水稻单产预测和评估的Credal网络模型。然后，运用面向目标的智能化推理方法对该模型进行推理求解，完成了模型下的预测和诊断分析，并进行了水稻单产的重要影响因素分析和各Credal集的敏感性

分析。

关键词：Credal网络，贝叶斯网络，结构建模，智能算法，农作物单产评估

北京理工大学博士学位论文

Ⅲ

ABSTRACT

BayesianNetwork,asakindofdecision-makingmodelintheartificialintelligentfield,playsadecisiveroleinthebuildingofadecision-supportsystemandanexpertsystem.However,undermostcircumstances,itishardfo