论文部分内容阅读
贝叶斯网(Bayesian Networks，BN)是用来表示不确定变量集合联合分布的图形模式，有清晰直观、较为符合人们思维方式的特点。目前，贝叶斯网已经成为AI领域的研究热点。当使用贝叶斯网作为某一不确定性知识的描述时，首先面临的问题即是针对该不确定性知识的贝叶斯网络。对于贝叶斯网络学习的研究要集中在从完备数据集和不完备数据集上贝叶斯网络的学习，其默认的前提是在大数据集之上。面对实际应用中由于成本或现场的限制而只能获得小数据集(小样本)的情况，贝叶斯网络的学习具有一定的难度和挑战性。
本文的主要结果和贡献如下：
(1)本文分析了贝叶斯网络的构建方法，指出了小数据集上贝叶斯网络的特点和难点。
(2)本文在扩展和借鉴一些经典方法的基础上提出了基于Bootstrap抽样的网络结构学习的遗传算法，实验结果表明该方法在小数据集上学习贝叶斯网络具有一定的有效性。
(3)针对第一种学习方法搜索效率比较低、计算开销比较大的缺点，将数据集修正与结构化一期望优化(Structural EM)算法相结合，得到一种更有效的小样本上贝叶斯网络学习的新方法，然后分析比较了这两种方法的适用范围和特性。
本文的研究成果为小数据集上贝叶斯网络学习的研究提供了可行的思路和方法，对于贝叶斯网的实际应用和实现技术有较大意义。