对一种贝叶斯网络学习算法的改进及试验分析.pdf

维普资讯 计算机科学2002Vo1．29N-9．5 对一种贝叶斯网络学 习算法的改进及试验分析 ImprovementtoaDependencyAnalysisBasedBa yesianNetworkLearningAlgorithm andExperiments 张宏伟 田风 占 陆玉昌 (清华大学计算机科学与技术系 智能技术与系统国家重点实验室 北京100084) Abstract ThispaperpresentsadependencyanalysisbasedBa yesiannetworklearningalgorithm 。whichisanimprove． menttoJieCheng’algorthm thatrequiresO(N 。)CItestsand uses(conditiona1)MutualInformationasCItest[“．W e redefined the(conditiona1)MIto reducethecomputingcomplexityofCItest．Asaresultouralgorithm minimizesthe numberofdataretrievingoperations。requiringonlyonedataqueryforeachCItestandreducesO(r。)oro(一 。)basic operationsforeachCItest．Experimentsshow ouralgorithm improvestheefficiencyofJieCheng’algorithm greatly． Keywords Ba yesian network．Ba yesian networklearning 贝叶斯网络 “]是上世纪8O年代发展起来的一种概率 图形 等表示变量的取值．用 IAI表示A 的值域空间的大小 ．用 X— 模型 ．它提供了不确定性环境下的知识表示、推理、学习手段． Y表示变量 x，y之 间有一条有 向边 ，并且我们将不 区别网络 可 以完成决策、诊断、预测、分类等任务 。已广泛应用于数据挖 中的结点与随机变量 以及数据库中表的字段的概念。 掘、语音识别、工业控制、经济预测、医疗诊断等诸多领域。 贝叶斯网络是概率模型 的图形表示．结点间的有 向弧表 然而 由于贝叶斯 网络的推理和贝叶斯网络的学习问题都 示变量间的统计相关性。贝叶斯网络编译 了变量间的条件独 是 NP难的[7]。其实际应用受到很大 限制。贝叶斯 网络推 立性 ：任一结点 X在给定父结点集 Pn(x)后与所有非子孙结 理 []‘是利用它进行决策、诊断、分类、预测等应用的基础 。其本 点NonDescent(X)条件 独立 。记 为 I(x．NonDescent(x)lPa 质任务是计算边缘概率分布。当网络比较复杂时 ．推理将变得 (x))。图1就是一个简单的贝叶斯网络 。 不可行。多模块 的贝叶斯网络 (MSBN)从简化模型本身出发 ， 定 义1贝叶斯网络 (Ba yesianNetwork)可 以表示 为一个 对贝叶斯网络进行了扩展[2]。我们则提出了一种用于 MSBN 二元组 N一 (G。P)．其中G一 ( 。E)为有向无环图(DAG)．每 中的近似推理算法 [3]．这些都大大拓宽了贝叶斯网络的应用 个结点对应问题域 中的一个随机变量；P为网络所编译的关 领域 。