基于灵敏性分析的贝叶斯网络扰动学习方法研究-计算机应用技术专业论文.docxVIP

基于灵敏性分析的贝叶斯网络扰动学习方法研究 摘要 利用数据发现结构模型中的因果关系是机器学习领域中的一个重要研究内 容。当前的结构模型因果发现主要有两类，一种是直接利用观察数据的被动学 习方法，另一种是结合观察数据和扰动数据的扰动学习方法。基于这两类方法， 引入灵敏性分析理论，研究了因果结构模型的因果结构和参数的特性，并利用 实验验证的因果结构模型特性分析的有效性。本文的内容可以分为以下几个部 分： ( 1) 简要介绍了贝叶斯网络的结构学习和参数学习、贝叶斯网络的扰动学习 和灵敏性分析等因果学习方法和技术的研究现状。 ( 2) 针对扰动学习中的扰动结点难以确定的问题，提出了一种基于参数灵 敏性分析的扰动结点扰动选择的因果网络扰动学习算法 ( I nt er vent i on Lear ni ng of Par amet er Sensi t i vi t y Anal ysi s –I LPSA) 。I LPSA 算法对于给 定的先验网络，通过局部网络参数的灵敏性分析扰动选取灵敏性结点作为扰动 结点，进而对扰动结点的扰动干扰产生扰动数据，然后联合观察数据和扰动数 据利用最大似然估计的方法 ( MLE) 进行因果网络的学习，利用 KL- di ver gence 对学习的结果进行评价。实验结果表明 I LPSA 算法在样本很小的情况下，学习 到的结果明显好于随机选择扰动结点和被动