论文部分内容阅读
贝叶斯网络提供了一套强有力的图形工具来表达基于概率的领域知识,是对人工智能领域中不确定性问题进行表示和处理的一种重要工具,已被成功应用于故障诊断、数据挖掘和医疗诊断等领域。动态贝叶斯网络是贝叶斯网络在时间因素上的扩展,是对人工智能领域中动态不确定性问题进行表示和处理的一种重要工具。本文在对贝叶斯网络进行全面概述的基础上,对贝叶斯网络和动态贝叶斯网络的近似推理进行了研究。全文的主要内容如下:(1)贝叶斯网络的概述。概述了贝叶斯网络的起源与发展,详细介绍了贝叶斯网络模型、贝叶斯网络的构建过程、贝叶斯网络的类型以及贝叶斯网络的应用,并在此基础上,对动态贝叶斯网络进行了概述;概述了贝叶斯网络的主要研究内容,并对贝叶斯网络和动态贝叶斯网络的推理算法进行了重点介绍。(2)在贝叶斯网络近似推理方面,针对贝叶斯网络的马尔可夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)推理存在的问题,本文以MCMC推理算法中具有代表性的Gibbs抽样为基本框架,提出一种贝叶斯网络的并行MCMC(Parallel MCMC,PMCMC)推理方法,在生成马尔可夫链的组成序列时,通过增加对贝叶斯网络中每个结点的抽样频率,即加大样本数来提高其推理精度,并在消息传递接口MPI的支持下,利用主从式并行机制来实现其推理过程,以保证推理的时间性能。在3个不同贝叶斯网络即Asia、Mildew和Alarm网上的推理实验结果表明,PMCMC在提高推理精度的同时有效保证了推理的时间性能。(3)在动态贝叶斯网络近似推理方面,针对动态贝叶斯网络的粒子滤波推理存在的问题,本文将离散粒子群优化技术引入到传统粒子滤波推理中,提出一种新的粒子滤波算法—进化粒子滤波(Evolutionary Particle Filtering,EPF)。在进化粒子滤波中,利用离散粒子群优化技术的迭代寻优能力重新分配粒子,使粒子的表示更加接近真实后验概率密度,以提高粒子滤波推理的精度性能。在2个不同动态贝叶斯网络上的概率推理实验结果表明,与传统的粒子滤波推理算法相比,EPF利用较少的粒子就可以取得较好的推理精度。