检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于单调性约束的离散贝叶斯网络参数学习

系统工程与电子技术 2014年第2期36卷 272-277页

作者：邸若海高晓光郭志高西北工业大学电子信息学院陕西西安710129

针对小样本条件下的离散贝叶斯网络参数学习问题,提出一种基于单调性约束的学习算法。首先,给出了单调性约束的数学模型,以表达定性的先验信息;然后,将单调性约束以狄利克雷先验的形式集成到贝叶斯估计中,并利用贝叶斯估计进行参数学习... 详细信息

针对小样本条件下的离散贝叶斯网络参数学习问题,提出一种基于单调性约束的学习算法。首先,给出了单调性约束的数学模型,以表达定性的先验信息;然后,将单调性约束以狄利克雷先验的形式集成到贝叶斯估计中,并利用贝叶斯估计进行参数学习;最后,通过仿真实验与最大似然估计和保序回归方法进行比较。实验结果表明,在小样本条件下,所提算法在准确性上优于最大似然估计和保序回归,但时效性介于二者之间。

关键词：小样本单调性约束保序回归最大似然估计

基于AHP-DST融合专家先验知识的BN参数学习

在线全文

学校读者我要写书评

暂无评论

系统仿真学报 2024年

作者：陈海洋吝红凯任智芳刘静张静西安工程大学电子信息学院

针对小样本数据集条件下采用单一专家先验知识可能存在不确定性导致BN参数学习精度不高问题，设计了一种基于AHP-DST融合专家先验知识的BN参数学习方法。首先利用层次分析法的思想结合证据理论合成规则计算出专家综合先验知识；然后将... 详细信息

针对小样本数据集条件下采用单一专家先验知识可能存在不确定性导致BN参数学习精度不高问题，设计了一种基于AHP-DST融合专家先验知识的BN参数学习方法。首先利用层次分析法的思想结合证据理论合成规则计算出专家综合先验知识；然后将专家综合先验知识加入到正态分布中，与单调性约束相结合得到虚拟样本信息；最后将虚拟样本信息加入到贝叶斯估计中得到网络参数估计值。在不同样本量条件下进行仿真验证，结果表明：在样本数据较小时，所提方法的KL散度始终优于其他4种方法，运行时间则略高于其他2种方法，总体上，所提算法综合性能优于其他4种方法，更适用于样本数据量较小的情况。将所提方法应用于空中目标对海面舰艇的攻击意图识别中，仿真结果能够较好的反应实际情况，进一步验证了方法的有效性和可行性。

关键词：贝叶斯网络参数学习小数据集层次分析法证据理论单调性约束

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

一种多约束关联挖掘算法

计算机应用研究 2012年第4期29卷 1294-1296页

作者：关心李广原北京科技大学自动化学院北京100083 湛江师范学院信息科学与技术学院广东湛江524048 广西师范学院计算机与信息工程学院南宁530023

约束关联挖掘是在把项或项集限制在用户给定的某一条件或多个条件下的关联挖掘,是一种重要的关联挖掘类型,在现实中有着不少的应用。但由于大多数算法处理的约束条件类型单一,提出一种多约束关联挖掘算法。该算法以FP-growth为基础,创... 详细信息

约束关联挖掘是在把项或项集限制在用户给定的某一条件或多个条件下的关联挖掘,是一种重要的关联挖掘类型,在现实中有着不少的应用。但由于大多数算法处理的约束条件类型单一,提出一种多约束关联挖掘算法。该算法以FP-growth为基础,创建项集的条件数据库。利用非单调性和单调性约束的性质,采用多种剪枝策略,快速寻找约束点。实验证明,该算法能有效地挖掘多约束条件下的关联规则,且可扩展性能很好。

关键词：数据挖掘多约束关联挖掘单调性约束非单调性约束

基于AHP/D-S证据理论的贝叶斯网络参数学习方法

在线全文

学校读者我要写书评

暂无评论

海军工程大学学报 2021年第6期33卷 19-24页

作者：魏曙寰曾强陈砚桥海军工程大学动力工程学院武汉430033 91697部队山东青岛266400

针对贝叶斯网络构建过程中先验知识的获取问题,将AHP/D-S证据理论引入到贝叶斯网络参数学习中。设计了应用AHP/D-S证据理论整合专家先验知识,综合单调性约束和近等式约束进行参数学习的算法,并进行了仿真案例研究。结果表明:该算法从原... 详细信息

针对贝叶斯网络构建过程中先验知识的获取问题,将AHP/D-S证据理论引入到贝叶斯网络参数学习中。设计了应用AHP/D-S证据理论整合专家先验知识,综合单调性约束和近等式约束进行参数学习的算法,并进行了仿真案例研究。结果表明:该算法从原理上能够进一步提高贝叶斯网络参数学习的精度,仿真结果也明显优于极大似然估计和无先验信息的最大后验估计的结果,为贝叶斯网络参数学习过程中先验知识的获取提供了一种新的方法。

关键词： D-S证据理论贝叶斯网络参数学习单调性约束近等式约束

在线全文

学校读者我要写书评

暂无评论

分布式环境下数据挖掘分类算法研究

分布式环境下数据挖掘分类算法研究

作者：宾宁中南大学

学位级别：硕士

分类规则的挖掘是数据挖掘研究领域的一个重要问题,而传统的数据挖掘算法和模式主要采用集中式,这不仅要求有高速的数据通信网络,还会导致响应时间延长以及使数据的私有性和安全性遭受破坏,不适合分布式环境下的数据模式挖掘。因此本文... 详细信息

分类规则的挖掘是数据挖掘研究领域的一个重要问题,而传统的数据挖掘算法和模式主要采用集中式,这不仅要求有高速的数据通信网络,还会导致响应时间延长以及使数据的私有性和安全性遭受破坏,不适合分布式环境下的数据模式挖掘。因此本文主要从分布式的角度出发,针对分类知识的理论和方法进行了深入研究,提出了有效的挖掘算法。本文首先提出了一种采用纵向划分数据集和同步更新哈希表技术来建立异构分布式环境下分类决策树的算法DSPRINT,以及采用区间分割和区间筛选技术的DSPRINT改进算法。DSPRINT算法采用属性直方图的数据结构,将类别列表合并到每个属性列表当中,减少了需要驻留于内存的数据量。DSPRINT算法还采用纵向划分数据集和同步更新哈希表的策略,根据最小gini值选出可以用来更新的哈希表项,对其相应条目进行修改,利用哈希表来记录并控制各分站点的节点分裂情况,具有较高的准确率。针对DSPRINT算法处理连续值属性效率较低的缺点,还将DSPRINT算法进行了改进,采用区间评估和区间筛选的思想,通过取样将连续值属性的值域划分成多个区间,估计在各个区间上有无找到最佳分割点的可能,最后在可能找到最佳分割点的区间中逐一搜索,有效地提高了算法的工作效率。对比实验表明,当选取合适的区间数时改进算法和DSPRINT算法在分类准确率上相同;另外,当分站点数目逐渐增多时,两种算法均可以获得较高、稳定的准确率,且改进算法在处理连续值属性时的计算效率要比DSPRINT算法更高。另外,针对分布式环境中满足单调性约束条件的分类问题,本文将R. Potharst提出的建立单调性决策树的思想在分布式环境中进行拓展,对DSPRINT算法进行补充,增加了修改规则Update,将生成的非单调性决策树修正为单调性。使无需随时增加各个分站点数据集数目,仅插入少量数据项,通过分裂一些叶节点,增加少量分枝即可实现决策树单调化。本文进一步针对常规分布式数据挖掘系统存在的数据分块、结果集成、安全性等问题,提出将移动代理技术和数据挖掘技术相结合,

关键词：数据挖掘分类规则决策树单调性约束移动代埋

自适应监督函数主成分回归模型研究及其医学应用

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

自适应监督函数主成分回归模型研究及其医学应用

作者：赵宇昂南京信息工程大学

学位级别：硕士

阿尔兹海默症是一种慢性进行性神经退行性疾病,其病理过程具有不可逆的特点,因此利用影像学和生物标志量数据进行阿尔兹海默症的早期预测具有极高的临床价值。本文基于函数型数据分析理论,对阿尔兹海默症相关数据进行建模,针对如何同时... 详细信息

阿尔兹海默症是一种慢性进行性神经退行性疾病,其病理过程具有不可逆的特点,因此利用影像学和生物标志量数据进行阿尔兹海默症的早期预测具有极高的临床价值。本文基于函数型数据分析理论,对阿尔兹海默症相关数据进行建模,针对如何同时实现在函数主成分回归模型中引入非线性监督信息与变量的自适应变换进行研究。本文的主要内容分为以下三个部分:第一部分提出了一种新的非线性监督函数主成分回归模型(SFPCA-R)。从对标量型响应变量进行数据变换的角度,使用B样条基对变换函数进行展开,在监督函数主成分分析的框架下进行改进,通过迭代的方式对监督函数主成分与变换函数系数向量进行了估计。之后通过蒙特卡洛模拟与其他监督学习模型比较发现,在响应变量与预测变量具有非线性关系时,SFPCA-R模型对于预测精度具有一定提升效果,并优于竞争模型。第二部分提出了一种可以同时进行分类与回归预测的非线性监督函数主成分回归模型(SFPCA-P)。从对函数型预测变量进行数据变换的角度,使用具有单调性约束的B样条基对变换函数进行展开,同步实现了数据变换和对预测能力较强的函数主成分的监督学习。与SFPCA-R模型相比,SFPCA-P模型的变换函数估计情况更好,但方差较大,模型鲁棒性不如SFPCA-R模型。之后使用蒙特卡洛方法对回归任务和分类任务分别进行数值模拟,证明了其在不同变换场景下的分类准确率均优于对比方法。第三部分为对于阿尔兹海默症数据的实例分析,将SFPCA-R模型用于阿尔兹海默症的缺失指标的回归预测,将SFPCA-P模型应用于阿尔兹海默症早期检测的分类判别中,并对预测效果进行评估,发现本文提出的基于数据变换的监督函数主成分回归方法较其他方法具有更好的预测效果,证明了模型的有效性。

关键词：函数主成分回归非线性监督数据变换 B样条基单调性约束

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

单调贝叶斯网络参数学习算法研究

单调贝叶斯网络参数学习算法研究

作者：杨景焯天津大学

学位级别：硕士

随着人工智能技术受到人们越来越广泛的重视和应用,贝叶斯网络作为经典的机器学习算法,以其概率推理准确和语义表达清晰的优势,在不确定性建模和概率推理等问题上得到了广泛的应用。贝叶斯网络参数学习作为贝叶斯网络研究和应用的一个... 详细信息

随着人工智能技术受到人们越来越广泛的重视和应用,贝叶斯网络作为经典的机器学习算法,以其概率推理准确和语义表达清晰的优势,在不确定性建模和概率推理等问题上得到了广泛的应用。贝叶斯网络参数学习作为贝叶斯网络研究和应用的一个重要的问题和挑战,准确地学习网络参数对贝叶斯网络模型的准确性和可解释性具有重要的影响。在现实世界的很多应用中,人们能够收集得到的样本数据是有限的。所以,针对有限的训练样本数据,如何提升网络参数学习的准确性是一个重要的研究课题。同时,有学者研究表明单调性广泛存在于生活中的各个领域,在很多问题中属性与属性、属性与决策之间存在着一定单调性关系。本文围绕着有限训练样本数据的贝叶斯网络参数学习问题,基于贝叶斯网络节点之间的单调性关系和贝叶斯网络的单调性展开研究,主要的研究工作和创新点如下:（1）本文提出了一种纯数据驱动的单调贝叶斯网络参数学习方法。首先,该方法通过单调性衡量指标自动地提取网络节点之间的单调性关系;然后,基于贝叶斯网络的单调性定义构造网络节点条件概率表的单调性不等式约束,将贝叶斯网络参数学习转化为一个约束优化问题;最后,通过不同的方法对该问题进行求解。在公开的标准贝叶斯网络库和真实分类数据集上的实验验证了本文提出的方法在有限训练样本数据上的有效性。（2）针对现实中获得的样本通常带有缺失数据,本文提出了一种带单调性约束的EM改进算法。改进后的EM算法通过在每一轮迭代的M步求解中添加基于贝叶斯网络单调性定义构造得到参数单调性不等式约束,将最大化期望似然函数转为约束优化问题。改进后的EM算法使得在M步求解得到的网络参数满足网络节点之间单调关系,降低了EM算法对训练样本数据量的依赖。在不同缺失率数据集上的实验结果表明了改进后的EM算法提升了参数学习的准确性。

关键词：贝叶斯网络参数学习单调性提取单调性约束

融合先验知识的BP神经网络锂电池剩余寿命预测

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

西安工业大学学报 2022年第1期42卷 65-73页

作者：郝可青吕志刚李叶邸若海朱鸿杰西安工业大学兵器科学与技术学院西安710021 西安工业大学电子信息工程学院西安710021

针对锂电池数据为小样本条件下构建的神经网络模型泛化性差、预测误差大的问题,文中提出了一种融合先验知识的BP神经网络的建模方法。利用自适应权重粒子群算法优化网络的初始权值和阈值,以惩罚函数法的形式将单调性约束加入网络性能函... 详细信息

针对锂电池数据为小样本条件下构建的神经网络模型泛化性差、预测误差大的问题,文中提出了一种融合先验知识的BP神经网络的建模方法。利用自适应权重粒子群算法优化网络的初始权值和阈值,以惩罚函数法的形式将单调性约束加入网络性能函数中,完成神经网络优化设计。实验采用NASA锂电池失效数据集,增加单调性的先验知识,对所提算法进行验证。仿真结果表明:在锂电池数据为小样本条件下,文中所提算法与其他常用锂电池预测算法相比平均误差下降5%,建立了预测误差与单调性约束项系数之间的关系,有效地解决了锂电池数据为小样本条件下模型预测精度低等问题。

关键词：锂电池小样本数据单调性约束粒子群算法 BP神经网络

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于约束的序列模式关联规则挖掘算法

太原师范学院学报（自然科学版） 2015年第1期14卷 44-48,88页

作者：张钰刘玉文蚌埠医学院安徽蚌埠233000

约束关联规则是数据挖掘的一个主要方向,可以根据用户给定的约束条件针对性的挖掘.目前大多数的研究都集中在约束频繁项集挖掘方面,很少进行序列模式的约束关联挖掘.本文把序列模式和约束进行结合,提出一种基于约束的序列模式关联规则... 详细信息

约束关联规则是数据挖掘的一个主要方向,可以根据用户给定的约束条件针对性的挖掘.目前大多数的研究都集中在约束频繁项集挖掘方面,很少进行序列模式的约束关联挖掘.本文把序列模式和约束进行结合,提出一种基于约束的序列模式关联规则挖掘算法.它同时处理两类约束:反单调性约束和单调性约束.可以根据约束条件挖掘数据间的因果关联关系.通过实验验证,该算法在运行效率上达到了较好效果.

关键词：序列单调性约束反单调性约束约束频繁项集序列关联规则