判别类条件贝叶斯网络分类器的 量子粒子群优化参数学习

摘要：

针对贝叶斯网络分类器在处理多属性分类问题时,存在分类精度下降 、算法运行时间过长等问题,提出一种判别类条件贝叶斯网络模型.该模型在类条件贝叶斯模型的基础上,将条件对数似然函数以对数形式重新参数化,并使用量子粒子群优化算法最大化目标函数.新模型采用判别参数学习方法,直接计算条件概率,对于分类问题更加高效.本研究将判别类条件贝叶斯网络模型与TAN分类器相结合,使用量子粒子群算法进行优化,用于对液体火箭发动机的故障诊断与分类中.针对某型号火箭的仿真数据进行故障诊断与分类,与传统的贝叶斯分类器相比,改进的分类器在处理分类问题时,准确率和学习效率更高.

关键词：贝叶斯网络、判别参数学习、量子粒子群、故障诊断

所属期刊栏目：38

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金项目61473144

在线出版日期：2019-11-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：87-93