从数据中学习贝叶斯网络结构是一个NP-hard问题，提高网络结构学习算法精度是研究的重难点。基于Pearl的因果理论，提出了一种贝叶斯网络结构学习方法，提升了现有算法的准确率。利用改进的Pearl因果效应和BDe评分，学习网络节点优先次序，利用K2算法学习初始网络，并通过BDe评分反向调节、互信息和BDe评分删除边以修正学习结果。实验在贝叶斯网络标准数据集ASIA、ALARM上进行，在样本量为2000~20 000的20组实验中，学习准确率较MMHC算法平均提升16%，准确率标准差较MMHC算法平均缩小17%。实验表明，基于因果效应的方法较MMHC算法有更好的性能。
2022-02-09 03:16:00
1.03MB
1
英国统计公告中的数据可作为牛的季度结核病的二级数据公开获得（至2018年3月的数据）。 数据可用于英格兰的高风险、边缘风险和低风险地区。 在我们的模型中，节点是从有关政府发布的 bTB 政策的文献和可用文件中得出的。 从领域专家和可用文献中得出表明不同节点之间的有效性水平并显示它们之间的因果关系的边，并从现有文献和数据中得出先验概率。 然后，每次向网络添加新信息（证据）时，DBN 都会更新先验概率。
2022-01-16 19:50:50
5KB
1
通过贝叶斯网络判定条件独立—1
P(a,b,c)=P(c)*P(a|c)*P(b|c)
则：P(a,b|c)=P(a,b,c)/P(c)
带入，得到：
P(a,b|c)=P(a|c)*P(b|c)
即：在c给定的条件下，a，b被阻断(blocked)，是独立的。
条件独立：tail-to-tail
2021-12-28 19:31:57
3.62MB
1
多连通网络及其CPT：
Cloudy
Rain
Wet
Grass
Sprinkler
S R P(W)
t t
t f
f t
f f 0.99
0.90
0.90
0.00
C P(S)
t
f 0.10
0.50
P(C)
0.50
C P(R)
t
f 0.80
0.20
2021-12-28 16:55:18
1.55MB
1
提出了一种数据丢失贝叶斯网络参数学习的优化算法。期望最大化（EM）算法是常用的参数学习算法。 EM的最大似然估计（MLE）和最大后代估计（MAP）是局部估计，而不是全局估计，不容易实现全局最优。因此，本文提出了一种基于EM算法的点估计相对误差最小优化算法（EM-MLE-MAP）。仿真和实验结果表明，该算法在转子贝叶斯网络故障诊断中具有较好的精度，当损失率小于3％时，具有较高的诊断精度。
2021-12-26 18:58:54
278KB
1
贝叶斯网络工具箱forMATLAB701-BNT for MTLAB7.01.rar
BNT for MTLAB7.01.rar
2021-12-23 17:30:00
1.98MB
1
隐结构模型学习
隐变量是取值未被观察到的变量。通过数据分析：
1 隐变量的个数
2 隐结构
3 隐变量的势
4 模型参数
方法：基于评分函数的爬山法
G是一个隐变量模型，D是一组数据。 是G的参数的某一个最大似然估计， 是G的有效维数。
隐变量势学习爬山算法
隐结构学习双重爬山算法
2021-12-23 17:29:54
746KB
1