约束条件下BN参数最大熵模型扩展学习算法

摘要：

在很多智能系统的参数建模时,用户往往面对建模样本稀少的困境.针对在小数据集条件下贝叶斯网络(BN)参数建模的问题,提出了一种约束数据最大熵BN参数学习算法(CDME).首先利用小数据集估算BN参数,随后把定性的专家经验转换为不等式约束,并利用Bootstrap算法生成满足约束的一组参数候选集,再根据信息最大熵进行加权计算出BN参数.实验结果表明,当数据量充分时,CDME参数学习算法与经典的MLE算法的学习精度近似,表明了算法的正确性;在小数据集条件下,利用CDME算法可以对BN进行参数建模,学习精度优于MLE和QMAP算法.CDME算法在实际故障诊断样本数据相对稀缺的条件下,获取了诊断BN模型参数,在此基础上完成的诊断推理结果也印证了算法的有效性,为小数据集条件下的参数建模提供了一条新途径.

关键词：贝叶斯网络、小数据集、参数学习、最大熵模型

所属期刊栏目：36

分类号：TP301.6(计算技术、计算机技术)

资助基金：陕西省科技厅自然科学基金资助项目2017JM6057;陕西省教育厅专项自然科学基金资助项目2013JK1114;陕西省教育厅2018年度服务地方科学研究计划项目18JC003

在线出版日期：2019-05-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：390-394