约束条件下BN参数最大熵模型扩展学习算法

• 作者: 侯勇严 李然 郭文强 高文强
• 来源期刊: 计算机应用研究
• 关键词: 贝叶斯网络 小数据集 参数学习 最大熵模型
• 年，卷（期）: 2019,（2）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 390-394
• 页数: 5页
• 分类号: TP301.6
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2017.08.0868

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	郭文强	陕西科技大学电气与信息工程学院	45	214	7.0	12.0
2	侯勇严	陕西科技大学电气与信息工程学院	31	188	6.0	13.0
3	李然	陕西科技大学电气与信息工程学院	5	13	2.0	3.0
4	高文强	陕西科技大学电气与信息工程学院	7	12	3.0	3.0