并行贝叶斯网络参数学习算法.pdfVIP

小型微型计算机系统 2007年11月第11期 JournaJofChimse systems V01．28No。1】2007 computer 并行的贝叶斯网络参数学习算法 俞奎，王浩，姚宏亮，陈栋梁 (台肥工业大学计算机科学与技术系．安截合肥230009) E—mailIykui713@”hoo．coⅡ1．cn 摘 要：针对太样本条件下EM算法学习贝叶斯丹培参数的计算问题．提出一种并行EM算法(Para儿elEM，PL—EM)提高太 样本条件下复杂用叶斯同络誊数学习的速度．PL—EM算法在E步并行计算臆变量的后验概率和期望充分统计因子}在M步。 利用贝叶斯网络的条件独立性和完整数据集下的似然函敷可分解性．并行计算各个局部似然函数．实验结果缸明PL—EM为解 次大样童条件下用叶斯网嬉参数学习提供了一种有效的方法． 关键词：贝叶斯网络fEM算法IPL-EM算法lMPI 中图分类号：TPl8l 文献标识码：A 文章编号；1000．1220(2007)11—1972．ot ParaIleI for NetworksParameter Bayesian Algorithm Learning YUKui，WANGHa。，YA0 H07lg-lia“g·CHENDo“g—lia“g (皿舭订删啡矿co忡卿rS曲4卯4材M槲p甜·胍扁U月嘛吨y口，丁k^H岫·脚f230。09．西f触) theEM Abstr”t：Because for Networks un- algorithm北quire8sigTlific8ntcomputatioMIre∞urceBBayesian paraf耻terIearni“g der database8，thePL—EM to PL—EM la‘ge algorithm培prop08edimprothelearllingspeed．The algorithmparaIIelcompute3 the hiddenv盯iablesand sufflcient5tati$ticsatE M make3useof p∞terioriprobabi|itie$of expected step‘at st。p．theB190rithm conditiormI the ofthe“keIihoodfunctionto eachIocallikelih00dfunction． independence^nddecomposabiIity para儿elcompute resu|t5showthePL—EM ef“ctivemethodtosolve f。r datasets． ExperimentaI algorithIn诘an Baye$ianparameterleami“glB‘ge Keywords．bayeshnnetwofks}EM algo—thm；PL—EMalgorithm}MPI l引言 为克服参数EM学习算法易于陷入局部最优的问题．已 有许多改进算法，如GIbbssampIe8算法和遗传算法等．因此 贝叶斯网络Ⅲ(Baye3ianNetworks，BN)是阿络结点问 本文主要研究如何在大样本条件下提高EM算法学习复杂 变量因果关系的一种图形表示．其坚实的理论基础、知识结构