利用条件概率和Gibbs抽样技术为分布估计算法构造通用概率模型
General stochastic model for algorithm of distribution estimation with conditional probabilities and Gibbs sampling作者机构:中国科学院半导体研究所神经网络实验室北京100083
出 版 物:《控制理论与应用》 (Control Theory & Applications)
年 卷 期:2013年第30卷第3期
页 面:307-315页
核心收录:
学科分类:12[管理学] 02[经济学] 0808[工学-电气工程] 0809[工学-电子科学与技术(可授工学、理学学位)] 07[理学] 08[工学] 070103[理学-概率论与数理统计] 0202[经济学-应用经济学] 020208[经济学-统计学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 0802[工学-机械工程] 0835[工学-软件工程] 0714[理学-统计学(可授理学、经济学学位)] 0811[工学-控制科学与工程] 0701[理学-数学] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金资助项目(61076014) 江苏省高校自然科学基金资助项目(10KJA510042) 中科院战略性先导科技专项资金资助项目(XDA06020700)
摘 要:本文针对传统分布估计算法在建立概率模型时面临的各种困难,提出一种基于条件概率和Gibbs抽样的概率模型,能有效改进分布估计算法的通用性.使用该模型的分布估计算法利用进化过程中有前途的优秀个体构造出多个监督学习样本集,并对每个样本集估计出对应分量的条件概率,再使用这一组条件概率进行Gibbs抽样产生新的个体替代种群中的劣等个体.通过仿真实验表明,改进后的算法能够求解出可加性降解函数的全局最优解,表现出较强的全局优化能力.