示例数学基础粗糙集.pptVIP

*合肥工业大学人工智能与数据挖掘研究室*/137贝叶斯网络——贝叶斯网络学习并行贝叶斯网络学习PL-EM算法：在EM算法的基础上并行化了E步和M步，以提高EM算法的学习速度。在E步，PL-EM利用其内在的数据并行性划分样本，并行计算隐变量的后验概率和各个样本中的期望充分统计因子。在M步利用BN的条件独立性和E步的期望充分统计因子，利用完整数据集下的似然函数可分解性，并行计算各个局部似然函数。并行贝叶斯网络参数学习算法小型微型计算机系统,2007,28(11)AParallelAlgorithmforLearningBayesianNetworksPAKDD2007,LNAI4426,2007贝叶斯网络的并行EM学习算法研究模式识别与人工智能,2008,21(5)*合肥工业大学人工智能与数据挖掘研究室*/137贝叶斯网络——贝叶斯网络推理精确推理联合树的推理中的基于自适应遗传算法的三角化优化算法：提出一种自适应的排序选择算子,在不同的进化阶段动态调整群体选择压力,即在进化早中期采用较小的选择压力,接受一定的恶化解,保持种群的多样性,最大程度上实现全局搜索;后期采用较大的选择压力,不再接受任何恶化解,尽快完成当前最优解的求精。针对Hugin算法在推理分析领域的局限性,通过在Hugin算法的消息传播过程中引入零因子标志位和零因子处理机制,提出一种Hugin算法的改进算法R-Hugin.该算法具有良好的推理分析性能。TriangulationofBayesianNetworksusinganadaptivegeneticalgorithm.Pro.ofthe16thInternationalSymposiumonMethodologiesforIntelligentSystems(ISMIS2006),LNAI4203,2006改进的基于邻接树的贝叶斯网络推理算法模式识别与人工智能2011，24(6）*合肥工业大学人工智能与数据挖掘研究室*/137贝叶斯网络——贝叶斯网络推理近似推理以MCMC推理算法中具有代表性的Gibbs抽样为基本框架，提出并行推理方法，在生成马尔可夫链的组成序列时，通过增加对贝叶斯网络中每个结点的抽样频率，即加大样本数来提高其推理精度，并在消息传递接口MPI的支持下，利用主从式并行机制来实现其推理过程，以保证推理的时间性能。*合肥工业大学人工智能与数据挖掘研究室*/137贝叶斯网络——贝叶斯网络推理近似推理将离散粒子群优化技术引入到传统粒子滤波推理中，提出进化粒子滤波(EPF)，利用离散粒子群优化技术的迭代寻优能力重新分配粒子，使粒子的表示更加接近真实后验概率密度，提高粒子滤波推理的精度性能。用于动态贝叶斯网络上的概率推理，EPF利用较少的粒子就可以取得较好的推理精度。一种多样性引导的进化粒子滤波小型微型计算机系统2008,29(5)离散动态贝叶斯网络的进化粒子滤波推理算法计算机研究与发展,2008,45（s1）基于MPI的主从式并行MCMC系统仿真学报.2009，21(7)*合肥工业大学人工智能与数据挖掘研究室*/137贝叶斯网络——贝叶斯网络推理近似推理将效用结点和决策结点的推理引入到BK算法中，给出一种扩展BK(EBK)算法。其中，EBK算法首先对多Agent动态影响图(MADIDs)进行分层分解来对概率分布进行近似，以减小概率分布的计算量；进而，通过将条件分割团引入到近似分布中以减小推理误差。最后，利用KL差分对MADIDs分布近似所产生的误差进行度量，并通过对这种近似方法的误差和复杂性的分析，给出函数来对近似分布的精度和复杂性进行调整。多Agent动态影响图及其一种近似推理算法研究计算机学报2008,31(2)*合肥工业大学人工智能与数据挖掘研究室*/137贝叶斯网络——贝叶斯网络推理近似推理提出一种联合树因式粒子算法JFP。JFP算法使用对MADIDs进行分层分解所生成的联合树；算法中加入了分割团结点的条件，以减小BK算法所引入的误差；为了利用基于抽样的近似，JFP算法中的联合树使用一个带权重的粒子表来表示一个势函数，并利用对粒子表的投影和连接这样的简单操作来代替BK中势函数的求和与求积操作；另外，为了实现对MADIDs效用结点进行推理，JFP算法中引入了效用结点的边际化操作。多Agent动态影响图一种混合近似推理算法计算机研究与发