不完整数据的贝叶斯网络参数学习新算法.pdfVIP

目 录 第一章 绪论………………………………………………………………………1 1.1 研究背景………………………………………………………………1 1.2 研究现状………………………………………………………………1 1.3 本文的主要工作………………………………………………………2 1.4 论文组织………………………………………………………………2 第二章 贝叶斯网络研究概述……………………………………………………3 2.1 发展现状………………………………………………………………3 2.2 贝叶斯网络概述………………………………………………………3 2.2.1 贝叶斯方法及先验分布…………………………………………3 2.2.2 贝叶斯网络及其表示……………………………………………4 2.2.3 贝叶斯网络的学习………………………………………………6 结构学习…………………………………………………6 参数学习…………………………………………………9 2.2.4不完整数据和隐藏变量条件下的学习问题……………………9 2.3贝叶斯网络的推理问题………………………………………………11 2.3.1精确推理………………………………………………………11 2.3.2近似推理………………………………………………………14 2.4本章小节……………………………………………………………15 第三章：贝叶斯网络参数学习算法研究……………………………………………16 3.1参数学习算法研究现状……………………………………………16 3.2基于相容渐进性的 BCL （Bayesian Consistency Learning ） 算法设计……………………………………………………………20 3.2.1 BCL 算法的理论基础………………………………………20 3.2.2 BCL 算法设计及实现………………………………………23 3.3实验…………………………………………………………………26 3.3.1 实验设计……………………………………………………26 实验数据………………………………………………26 实验环境………………………………………………26 3.3.2 评价标准……………………………………………………26 3.3.3 实验结果分析………………………………………………27 3.4结论……………………………………………………………30 结束语………………………………………………………………………………31 参考文献……………………………………………………………………………31 后记…………………………………………………………………………………35 6 第一章 绪论 1. 1 研究背景 近年来，随着数据挖掘（Data Mining ）和知识发现(Knowledge Discovery from Database)技术的产生，人们处理海量数据并从中提取知识的能力大大增加。KDD 是从大量数据中提取可信的、新颖的、有效地并被人理解的模式的处理过程，数 据挖掘是一个多学科领域，从多个学科汲取营养。这些学科包括数据库技术、人 工智能、机器学习、神经网络、统计学、模式识别、知识库系统等等。 KDD 中要分析的数据是非常广泛的：自然科学、社会科学、商业数据，甚 至科学处理产生的数据或卫星观测得到的数据，这些数据可以是结构化的，如关 系数据库中的数据，也可以是半结构化的，如文本、图形数据。KDD 所能发现 的知识也是多种多样的，如关联型知识，特征型知识，差异型知识，偏离型知识， 预