基于专家主导的贝叶斯网的系统建模方法.docVIP

基于专家主导的贝叶斯网的 系统建模方法 摘要：基于专家主导的贝叶斯网的建模是一项系统工程，必须遵循一定的流程和方法。建立了贝叶斯网的建模流程，分为问题分析，模型设计与模型测试三个阶段。阐述了每个阶段所应完成的任务和解决方法，并在模型设计阶段，提出了将专家知识和数据融合的贝叶斯网构造方案。最后总结了建模过程中的简化原则。 关键词：1．引言从1981年R.Howard和J.Matheson提出贝叶斯网络（BN）以来，贝叶斯网的研究已引起了人们相当大的兴趣。80年代早期，贝叶斯网成功地应用于专家系统中对不定性知识的表达；80年代后期，贝叶斯推理得到了迅速发展；进入90年代，面对信息爆炸的局面，研究人员已经开始尝试直接从数据中学习并生成贝叶斯网的方法，并取得了初步的成果。贝叶斯网具有直观的问题表达能力和强大的推理能力，是解决不确定问题的优秀工具，近年来在专家系统、模式识别、决策支持系统等领域取得了成功的应用。由于现实世界中的问题越来越复杂，涉及的条件越来越多，因此导致贝叶斯网的结构也越来越复杂1.1 贝叶斯网概述包含一组变量X={X1,…n}的贝叶斯网由如下两部分组成：（1）表达了变量之间条件独立关系的有向无环图S，图中的每个节点代表一个变量。（2）每个变量的条件概率分布|Pai)，其中为的父节点集合。1是一个用于肺癌诊断的贝叶斯网。 图1 用于肺癌诊断的贝叶斯网 如图1建立了此贝叶斯网的模型结构。S、贝叶斯网进行决策就是针对建立模型，并通过概率推理计算后验概率|S,F)。 贝叶斯网的建模主要就是要确定：节点及其取值、、1.2 贝叶斯网模型的知识表达现实世界中的一个对象通常可以由若干属性变量来描述，这些变量集的各种取值组合就构成了该对象的状态空间。由于这些变量间存在着一定的关系（独立或依赖），所以通过对它们的研究可以得到对象的知识表达。贝叶斯网模拟人的认知思维推理模式，是用一组条件概率函数以有向无循环图形式表示不确定性的因果推理模型。贝叶斯网的信息由两部分组成：首先是表示条件独立性信息的一种自然方式———网络结构S，S中的每一节点表示特定域中的一个概念或变量，在节点间的连接（有向弧）表示了可能的因果关系，体现了域知识定性方面的特征；其次，每一节点都附有与该变量相联系的条件概率分布函数，如果变量是离散的，则它表现为给定其父母节点状态时该节点取不同值的条件概率表。可见，贝叶斯网是一种表示数据变量间潜在关系的定性定量的方法，它使用这种图形结构指定了一组条件独立的声明和用于刻画概率依赖强度的条件概率的数字值。 由于贝叶斯网表示了因果过程的总体结构，故它可被看作是拥有许多不同组合的一个抽象知识库。它的语义可以从两方面来理解，其一是将网络看作一种联合概率分布的表示，即BN完整紧凑地表示了网中各变量的联合概率分布。其二是将网络看作条件独立性声明集合的一种表示。这两种观点实质上是等价的，而且在贝叶斯网的表达、学习、推理算法中都得到了统一。假设一组有限集合{Y1,…,Yn}表示一组离散随机变量，它们分别取值{Y1,…,Yn}的联合概率为： 在贝叶斯网中，人们断言每一节点在给定其父母节点后都条件独立于它的前辈节点，故有： (2) 式中，Pa(Yi){yi=1,…,y 1}是节点Yi的父母节点组，它们的取值已知，可见在联合概率空间中的每一状态都可用贝叶斯网中条件概率表的适当元素的乘积来表示。1.3 贝叶斯网建模方法常用的贝叶斯网建模方法有：1) 以专家为主导进行建模。这是最常采用的方法。2) 采用机器学习的方法从数据中学习。这种方法在实际中常遇到数据收集难的问题，并且当网络节点较多时，算法的搜索空间会非常庞大，学习效率低下。因此除非能够依据先验知识排除大量不可能的网络结构，否则学习算法无实际用处。3) 基于知识的建模方法。收集专家知识存储在知识库中，然后使用知识推理的方法构造模型。但是在现实中常没有现成的知识库可用，即使有了知识库，也不一定满足建模的需要。所以在面向复杂问题的建模活动中，仍以第1种方法为主，第2、3种方法为辅。2．基于专家主导的贝叶斯网建模2.1 建模流程 是 是 模