贝叶斯网不确定推理研究.pdfVIP

摘要 摘要 贝叶斯网(又称信度网或因果网)是一种基于概率推理的数学模型，它起源 于人工智能领域的研究，是一种将概率统计应用于复杂领域、进行不确定性推 理和数据分析的工具。随着对其研究的不断深入，贝叶斯网已经成为不确定性 知识表达和推理领域最有效的模型之一，并因此在很多领域有着广泛的应用。 尽管有着坚实的理论基础，关于贝叶斯网在给定不确定信息下的知识合成及推 理机制的研究仍然存在很多有待进一步探讨的问题。本文针对这些问题，主要 从事了以下几个方面的研究： 知识合成算法及其性质的探讨。基于IPFP及其扩展C-IPFP的知识合成算法 的研究已经比较深入，然而该方法只在约束集一致时收敛。而现实应用中，由 于海量数据的来源及获取手段的不同，作为概率知识的约束集相互之间往往存 在相互矛盾之处。为此，Vomlel提出了约束集不一致时的知识合成算法 且收敛速度受初始值的影响很大，使得其在应用中的性能不可预测。针对该种 情况，本文在研究上述各算法的基础上，提出了一种新的基于IPFP的合成算法 SMOOTH，并在理论和实验上讨论了新算法的收敛性能。数值实验结果表明， SMOOTH算法在约束集一致时，退化为标准IPFP算法；在约束集不一致时，SMOOTH 算法与GEMA算法具有相同的收敛结果；且算法不受初始值的影响，收敛速度稳 定，与GEMA相比收敛速度快；同时可以调整平滑因子实现算法的加速收敛。 对于贝叶斯网知识合成问题，本文在Peng和Ding工作的基础上，介绍了 E-IPFP算法，并首次详细给出了算法在概率约束集一致时的收敛性证明。由于 E-IPFP是基于IPFP算法的，在约束条件相互不一致或约束条件与网络结构不 一致时，算法并不收敛。为此，本文将E-IPFP算法与SMOOTH算法相结合，对 E-IPFP进行了改进。数值实验结果表明，改进后的算法在概率约束集不一致时 同样能够达到收敛，并能够处理约束条件与网络结构不一致的情况。 文中详细介绍了不确定性证据下的贝叶斯网信度更新。首先系统阐述了不确 定性证据的分类及各自的特点，探讨了在单一证据下不同信度更新算法 evidence rule，virtualmethod和IPFP)之间的关系。在Pan (Jeffrey，S 和Peng工作的基础上介绍了多重证据下贝叶斯网的信度更新算法，BN—IPFP。 同时对其进行了改进，使得算法不仅能够处理多重证据下的信度更新，而且能 够解决证据不一致的问题，并在理论和实验上验证了改进后算法的收敛性。 最后，论文讨论了贝叶斯网在语义网本体不确定性推理中的应用。通过扩展 BayesOWL理论框架，使得其能够将更为一般的本体(如OWLDL)转化为贝叶斯 摘要 网。同时通过对OWL本体语言的扩展，使其能够描述任意以概率形式给出的关 于本体的不确定性知识，并根据贝叶斯网知识合成算法将其合成到转换后的贝 叶斯网中，从而建立起关于本体的概率知识库；通过贝叶斯网信度更新算法， 实现在给定不确定性证据下的后验概率查询，完成了本体不确定性推理问题与 贝叶斯网推理问题的转化。最后实现了该理论框架的原型系统，提供了相应的 应用程序接口，为从事该领域研究工作的人提供了一个实用的工具。 关键词：贝叶斯网络不确定性推理知识合成信度更新语义网 本体推 理 Ⅱ ABSTRACT knownaS Bayesiannetwork(BN，alsobeliefnetworkorcasual a network)is mathematicalmodelbasedon isatool inArtificial probabilitytheory．It developed for Intelligencemodelingprobabilistic in