基于贝叶斯网络马尔科夫毯预测学习.pdfVIP

维普资讯 第 17卷 第 1期 模式识别与人工智能 Vd．17 No．1 2004年 3月 PR AI March 20()4 基于贝叶斯网络的马尔科夫毯预测学习* 王双成 苑森淼 (吉林大学 计算机科学与技术学院 长春 130025) 王 辉 (东北师范大学 计算机系 长春 130024) 摘 要 研究变量之间的预测能力在许多领域都有重要意义，通过这种研究，能够揭示变量之间的制约机制，贝叶 斯网络是研究变量之间预测能力的有力工具．本文使用依赖分析方法建立基于贝叶斯网络的马尔科夫毯预测，其 核心问题是贝叶斯网络结构学习．目前 ，基于依赖分析的贝叶斯网络结构学习方法主要存在三个问题：(1)需要进 行大量的高维条件概率计算，(2)容易丢失弱联合依赖边 ，(3)对边的方向的确定具有局限性．针对这些问题，本文 提出了首先进行递推条件独立性检验，然后进行因果语义定向，最后进行冗余边检验的贝叶斯网络结构学习方法． 该方法能够有效地避免这些问题，更准确地建立马尔科夫毯预测． 关键词 贝叶斯网络，预测 ，马尔科夫毯，因果语义，碰撞识别 中圈法分类号 TP311．134．1 1 引 言 方法．这些方法都是近似地确定马尔科夫毯中的变 量 ．贝叶斯网络能够准确确定马尔科夫毯中的变量， 当概率分布具有完全图时，可以证明所确定的是最 有代表性的朴素贝叶斯(naiveBayes)预测EI_和 小的马尔科夫毯l3J．建立马尔科夫毯结构经历了链 TAN(TreeAugmentedNaiveBayes)预测1分别采 式结构(马尔科夫链)、星形结构、树形结构(最大似 用星形结构和基于类约束的属性树结构近似分解联 然树)和网络结构l3J(贝叶斯网络和马尔科夫网络) 合概率，这样往往会失去一些有用的信息，导致预测 等不同阶段，其中只有贝叶斯网络 (或马尔科夫网 能力下降．贝叶斯网络预测使用联合概率的最优压 络)才能准确地确定马尔科夫毯的结构．过去对马尔 缩展开式进行预测，保证不丢失有用信息，但保留着 科夫毯中的变量和结构一般是分开研究，先确定变 展开式中的冗余项，降低了预测效率，并且易于产生 量，后确定结构，不能有效利用变量之间的依赖关 对数据的过度拟合现象．贝叶斯网络中的马尔科夫 系，得到的结构往往是近似结构．贝叶斯网络把变量 毯E3_屏蔽被预测变量与其它变量之间的联系，具有 和结构作为一个有机的整体，以结构(贝叶斯网络结 更简单的结构，因此，不会降低预测的准确性，避免 构)作为核心，在确定结构的同时确定了变量，并根 对数据的过度拟合，能显著提高预测效率． 据结构和训练集确定参数，因此，基于贝叶斯网络的 确定一个变量马尔科夫毯中的变量和结构是一 马尔科夫毯预测学习的关键是建立贝叶斯网络结