基于密度核估计的贝叶斯网络结构学习算法

摘要：

贝叶斯网络结构学习算法主要包括爬山法和K2算法等，但这些方法均要求面向大样本数据集。针对实际问题中样本集规模小的特点，通过引入概率密度核估计方法以实现对原始样本集的拓展，利用K2算法进行贝叶斯网络结构学习。通过优化选择核函数和窗宽，基于密度核估计方法实现了样本集的有效扩展；同时基于互信息度进行变量顺序的确认，进而建立了小规模样本集的贝叶斯结构学习算法。仿真结果验证了新学习算法的有效性和实用性。

关键词：贝叶斯网络、小样本结构学习、K2算法

分类号：TP181(自动化基础理论)

资助基金：国家重点基础研究发展规划973No.2009CB824900；国家自然科学基金No.61175008，No.60935001；航天支撑基金No.2011-HT-SHJD002。

在线出版日期：2014-08-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：107-112