基于贝叶斯网络的马尔可夫毯发现算法研究-计算机软件与理论专业论文.docxVIP

万方数据 万方数据 注 1 注明《国际十进分类法 UDC》的类号 独 创 性 声 明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作 及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为 获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与 我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的 说明并表示谢意。 签名： 日期： 年 月 日 关于论文使用授权的说明 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘， 允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全 部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描 等复制手段保存、汇编学位论文。 （保密的学位论文在解密后应遵守此规定） 签名： 导师签名： 日期： 年 月 日 万方数据 万方数据 摘 要 摘 要 马尔可夫毯在分类任务中的特征选择与贝叶斯网络的结构学习中发挥着重要 作用。马尔可夫毯发现算法用于从实际的数据集中学习和发现目标变量的马尔可 夫毯。目前马尔可夫毯发现算法可分为两类，这两类算法的原理是不一样的。第 一类算法以 IAMB 为代表，该类算法的速度很快，但是准确率较低；第二类算法 以 IPC-MB 为代表，该类算法的准确率很高，但是速度较慢，因此这两种算法都 具有工程实用价值。 贝叶斯网络是一种统计模型，它能够有效地表达随机变量之间的联合概率分 布。本文将基于贝叶斯网络研究和设计马尔可夫毯发现算法，主要工作如下： 改进了IPC-MB算法，提出了新算法DOS（Dynamic Ordering-based Search Algorithm）。DOS算法弥补了IPC-MB的缺点与不足，通过综合运用三种新颖的策 略：“排序”、“过滤”、“优化对称原则”，极大地减少了条件独立性测试的 次数，提高了发现马尔可夫毯的速度和准确率。本文首先详细介绍了DOS算法发 现马尔可夫毯的原理与过程，并分析了DOS算法的主要特点。然后从理论上证明 了DOS算法的正确性，并对比分析了DOS与IPC-MB的时间复杂度。最后通过大量、 反复的实验显示出DOS的优秀性能。 改进了IAMB算法，提出了新算法Improve-IAMB。Improve-IAMB算法最大 的特点在于“组进”策略，该策略不仅可以减少条件独立性测试的次数，提高了 算法的速度，而且抑制了数据噪声带来的负面影响，提高了算法的准确率。本文 首先详细分析了Improve-IAMB算法发现马尔可夫毯的原理，并结合实例描述了 Improve-IAMB算法的执行过程。然后对比分析了IAMB与Improve-IAMB的时间复 杂度。最后从实验结果中验证Improve-IAMB算法比IAMB算法具有更好的性能。 关键词：贝叶斯网络，马尔可夫毯，条件独立性 I ABSTRACT ABSTRACT Markov blanket discovery plays an important role in both Bayesian network induction and feature selection for classification tasks. Markov blanket discovery algorithm can learn and discovery the Markov blanket of target variable from the actual data sets. Markov blanket discovery algorithm can be divided into two categories. However, their principles are not the same. The first categorys of algorithms as the representative to IAMB are very fast, but of low accuracy. The second categorys of algorithms as the representative to IPC-MB are very accurate, but slowly. Therefore, both of the algorithms are of practical value. Bayesian network is a type of statistical models that efficiently represent the joint probability distribution of variabl