小数据集贝叶斯网络学习概要.pptVIP

考虑威胁因素较多时的威胁评估建模 实验结果及分析 样本为30时K2算法所得结构 样本为30时本文算法所得结构 样本5000时传统K2算法所得结构 100组 300组 500组 请各位老师和专家批评指正！ 谢谢各位老师 * * * * 约束完全错误时 多次仿真平均后的结果 基于单调性约束的BN参数学习 步骤1：根据领域知识或专家经验建立参数的单调性约束模型； 步骤2：结合参数规范性和单调性约束模型得到参数的约束区间； 步骤3：将约束区间内的均匀分布转化为贝塔（Beta）分布，并获取虚拟样本信息； 步骤4：将虚拟样本信息加入贝叶斯估计的模型，得到参数估计模型： 步骤5：将获得的参数作为下一个待求参数的下界，返回步骤1，重复步骤1-5，直到得到所有参数。 单调性约束模型 先验分布中参数的确定方法 实验结果及分析 算法精度分析 图1 图2 图3 图4 图5 图6 算法稳定性分析 图1 图2 图3 图4 图5 算法实时性分析 图1 图2 图3 图4 精度和时效性的综合指标 基于加性协同约束的BN参数学习 加性协同约束模型 方法二 实验结果及分析 图1 图2 图3 基于双重约束的BN参数学习 基于MLS的保序回归算法 实验结果及分析 图3 图2 图1 图4 时效性分析 基于改进BD评分的BPSO算法的威胁评估仿真 任务想定 实验结果及分析 样本为50时BPSO算法所得结构 样本为50时本文算法