论文部分内容阅读
受数据数量、质量、实验设计、噪音和测量误差的影响,单一数据源所含的信息是有限的.通过单一的数据源推测并构建网络,往往面临着数据的信息量不够充分.另一方面,传统的动态贝叶斯网络模型要求数据是平稳的.但在现实中,非平稳的情况不容忽视.于是我们提出了一个基于多源数据融合学习非平稳动态贝叶斯网络的算法.该算法首先通过Dempster-Shafer证据理论对多种数据源进行融合获得先验知识,然后利用改变点过程把整个非平稳过程分解成若干平稳子片断,最后运用可逆跳跃马尔可夫蒙特卡罗抽样算法学习连续动态贝叶斯网络的结