本科创新实验报告格式.docVIP

本科创新实验报告 实验题目： 基于贝叶斯网络工具箱的贝叶斯网学习 学生姓名： 郭少方 学 号： 20091060044 专 业： 计算机科学与技术（武警国防） 指导教师： 李维华 评分（百分制）： 2012年6月30日 实验目的 贝叶斯网是一个有向无环图（DAG），其每个结点都对应一张概率表（CPT）。在贝叶斯网络中，每一个结点表示问题域中的一个随机变量，结点之间的有向边则表示变量之间的依赖关系，其依赖程度用条件概率表示。贝叶斯网络结合了图形理论和概率理论，它用非常简洁的形式揭示了结点之间的依赖关系，将复杂的联合概率分布通过局部条件独立进行分解。由于贝叶斯网在描述不确定性知识方面的诸多优点：稳固的数学理论基础（图论，贝叶斯定理等）、非常完备的知识表达和推理能力、灵活的学习机制、开放的决策体系以及直观清晰的推理结果等，使得贝叶斯网络在分类、决策与预测、智能控制以及专家系统方面有着广泛的应用。而贝叶斯网对不确定性问题的表达和推理也成为了人们探讨贝叶斯网络的一个热点。 使用贝叶斯网络进行分类、决策或者预测的前提是构建一个准确的贝叶斯网络（能够尽可能多的表达出变量之间的条件独立关系，尽可能准确的表达出变量之间的依赖关系），这就需要我们从实例（数据）中学习一个能准确表示问题域中变量的依赖关系及条件独立关系的贝叶斯网。 贝叶斯网络学习根据学习的对象分为完整学习和部分学习，前者指在给定问题领域和数据实例的条件下，学习结构模型和参数的完整网络；后者指给定先验的部分网络结构或参数，通过数据实例进行学习修正，得到更准确的贝叶斯网络。根据样本数据的完备性，分为：不完备数据的学习和完备数据的学习；根据学习方法分为：贝叶斯方法学习、MDL方法学习等。本次实验中使用的方法是在给定问题领域和数据实例，从完备的样本数据中学得一个较为准确的贝叶斯网络。 贝叶斯网络学习包括结构学习和参数学习两个部分。本次实验主要研究了贝叶斯网络的结构学习。（因为一旦得知了贝叶斯网络的结构，参数学习将变得非常简单。通过概率统计得到每个结点的条件概率表即可。） 贝叶斯网络结构学习方法大体分为两类：一类是基于打分搜索的学习方法；另一类是基于依赖分析的学习方法。基于打分搜索的方法过程相对来说比较简单，但是由于搜索的空间较大，一般要求已知结点顺序，并用打分函数对每个结构进行打分从而得到一个“最优”的结构（这个结构不一定是最优的，有可能是局部最优），学习效率较低（贝叶斯方法，MDL方法，最大墒模型等）。基于依赖分析的方法是通过分析样本数据中包含的依赖关系来构建网络模型，过程比较复杂，计算开销较大，但在一些假定条件下，学习效率较高，而且可以获得全局最优结构。（考虑到PC的CPU运算速度，不采用依赖分析方法，本次实验采用基于打分搜索的K2算法。） 通过本次实验，对贝叶斯网的一些基本概念有了更深的理解，同时能掌握一些基本的贝叶斯网络结构学习的方法，对于每种学习方法的优劣有了一定的了解，对于贝叶斯网的推理和预测的一些基本方法也有了一定的了解。 实验内容 利用贝叶斯网络工具箱和Asia以及Alarm数据集进行贝叶斯网络结构学习的实验，并将得到的结构和文献上的数据进行对比，确定得到的结构是否准确。 实验平台及语言 实验平台：基于matlab的贝叶斯网络工具箱BNT。 该工具箱是Kevin P. Murphy基于matlab语言开发的关于贝叶斯网络学习与推理的软件包，提供了许多贝叶斯网络学习及推理的底层基础函数库，支持多种类型的结点（概率分布）、精确推理和近似推理、参数学习和结构学习、静态模型和动态模型。BNT是个完全免费的软件包，其代码完全公开，系统的可扩展性良好。 语 言：matlab。Matlab作为一种具有高速数值计算能力的通用科学计算语言，简单易用且功能强大，程序移植性较好。它集成了数值分析、符号计算、图视能力、文字处理、可视化建模和实时控制能力，适合多学科多部门的发展需求。 实验原理 1、贝叶斯网的几个基本概念 贝叶斯网络（Bayesian Networks），有时候又叫做信念网络（Belief Networks）、因果概率网（Causal Probabilistic Networks）等。贝叶斯网络是概率统计知识与图论知识的结合，在不确定性知识表达和推理方面有着自己独特的优势。为了更好