基于粗糙集的贝叶斯网络模式识别模型与方法分析-analysis of bayesian network pattern recognition model and method based on rough set.docxVIP

优秀毕业论文 精品参考文献资料 RBAN classifier has most accuracy, its speed is slightly slower than NB classifier and significantly faster than BAN classifier. Keywords：Rough Set, Bayesian Network, Classifier, Pattern Recognition 重庆大学硕士学位论文 目 录 目 录 中文摘要I 英文摘要 II 1 绪 论 1 1.1 课题研究的目的和意义 1 1.2 国内外研究的现状 2 1.2.1 主动贝叶斯网络模式识别模型和方法 2 1.2.2 动态贝叶斯网络模式识别模型和方法 2 1.2.3 多模块集成式贝叶斯网络模式识别模型和方法 3 1.2.4 基于遗传算法的贝叶斯网络模式识别模型和方法 3 1.3 研究思路与研究内容 4 1.3.1 研究思路 4 1.3.2 研究内容 4 2 贝叶斯网络分类器 6 2.1 贝叶斯网络理论的起源与发展 6 2.2 贝叶斯网络概述 7 2.2.1 贝叶斯网络的定义 7 2.3 贝叶斯网络学习算法 10 2.3.1 贝叶斯网络的结构学习 10 2.3.2 贝叶斯网络的参数学习 15 2.4 贝叶斯网络分类器 17 2.4.1 贝叶斯网络分类器的概述 18 2.4.2 几种典型的贝叶斯网络分类器 18 2.5 小 结 23 3 基于粗糙集的贝叶斯模式识别模型和方法 25 3.1 粗糙集理论基础 25 3.1.1 粗糙集理论概述 25 3.1.2 基于粗糙集理论的属性约简 26 3.2 变精度粗糙集模型 27 3.2.1 变精度粗糙集模型概述 27 3.2.2 完备信息系统的变精度粗糙集约简方法 28 3.2.3 不完备信息系统的变精度粗糙集约简方法 29  3.3 基于粗糙集的贝叶斯网络分类器 30 3.3.1 基于粗糙集的贝叶斯理论 30 3.3.2 基于粗糙集的贝叶斯网络分类器学习算法 32 3.3.3 粗糙集-贝叶斯网络分类器 37 3.3.4 实验分析 38 3.4 小 结 40 4 结论与展望 42 4.1 主要结论 42 4.2 后续研究工作的展望 42 致 谢 44 参考文献 45 附 录 51 重庆大学硕士学位论文 1 绪 论  PAGE 51 1 绪 论 1.1 课题研究的目的和意义 随着各种智能专家、故障诊断和决策支持系统广泛和深入的应用[1~3]，模式识 别目前得到了广泛的重视和研究，取得了大量的成果。在传统的、较成熟的分类 和识别的基础上，模糊数学思想方法的介入、人工神经网络对统计模型的丰富、 进化算法等一批优秀算法的出现、支持向量机、粗糙集理论等一些新方法的提出 等等，使统计模式识别的研究和应用充满活力[4]。但是，由于模式识别涉及到很 多复杂的问题，现有的理论和方法对于解决这些问题还有很多不足之处[5]。特别 是近年来，随着海量数据和不完备信息的大量出现，一方面，描述数据的属性越 来越多，即数据的维数越来越高，训练数据量越来越大，传统的模式识别方法学 习时间则越来越长；另一方面，由于收集到的信息可能缺少许多关键的属性值， 使得传统的模式识别方法在利用样本进行学习训练时，无法准确捕获数据中隐藏 的规律；此外，由于受到学习条件和水平的限制，学习结果常常具有一定的噪声， 影响了模式识别模型和方法的稳定性。如何在已有的模式识别理论上找到新的理 论和方法，目前正成为模式识别的研究热点和难点[6]。 一般把表现为具有时间或空间分布的信息称为模式[5]。模式识别的作用和目的 就是在于面对某一具体信息时将其正确地归入某一类别，即根据已经获得的数据， 按照某种理念设计一个分类器，然后用学习好的分类器对未知样本进行预测。有 两种基本的模式识别方法，即统计模式识别方法和结构（句法）模式识别方法。 贝叶斯网络模式识别模型是在贝叶斯网络分类器的基础上建立起来，是一种 典型的基于统计方法的分类模型，是不确定环境下知识的有效表示方式和概率推 理模型，它以贝叶斯定理为理论基础，将事件的先验概率与后验概率联系起来， 通过现有证据计算样本属于某一类的后验概率，具有最大后验概率的类便是该对 象所属的类。由于它主要是用概率测度的权重来描述数据间的相关性，从而解决 了数据间的不一致性，甚至是相互独立的问题。 与其他的模式识别方法相比，贝叶斯网络模式识别方法具有柔和性、容错性 的优点，可以很好地处理不完备信息的识别问题，成为目前不确定知识表达和推 理领域最有效的模型之一。但目前贝叶斯网络模式识别方法的应用仍然存在分类 器的结构和参数学习比较困