动态贝叶斯网络结构学习的依赖分析方法研究

doi:10.3778/j.issn.1002-8331.2011.03.015

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (3): 51-53.DOI: 10.3778/j.issn.1002-8331.2011.03.015

动态贝叶斯网络结构学习的依赖分析方法研究

冷翠平¹，王双成^1，2，王辉³

1.上海立信会计学院数学与信息学院，上海 201620
2.上海立信会计学院开放经济与贸易研究中心，上海 201620
3.中央民族大学信息工程学院，北京 100081

收稿日期:2009-05-25 修回日期:2009-07-26 出版日期:2011-01-21 发布日期:2011-01-21
通讯作者: 冷翠平

Study on dependency analysis method for learning dynamic Bayesian network structure

LENG Cuiping¹，WANG Shuangcheng^1，2，WANG Hui³

1.School of Mathematics & Information，Shanghai Lixin University of Commerce，Shanghai 201620，China
2.Opening Economy & Trade Research Center，Shanghai Lixin University of Commerce，Shanghai 201620，China
3.School of Information Engineering，The Central University for Nationalities，Beijing 100081，China

Received:2009-05-25 Revised:2009-07-26 Online:2011-01-21 Published:2011-01-21
Contact: LENG Cuiping

摘要/Abstract

摘要： 针对现有动态贝叶斯网络结构学习方法具有低效率和低可靠性等问题，基于变量之间的基本依赖关系和依赖分析方法进行动态贝叶斯网络结构学习。建立变量之间依赖关系草图，通过条件独立行检验去除多余的边，使用碰撞识别和条件相对预测能力确定边的方向，便可得到构成动态贝叶斯网络结构的先验网和转换网。该方法在效率和可靠性方面均具有优势。

关键词: 动态贝叶斯网络, 依赖分析, 先验网, 转换网, 结构学习

Abstract: At present，the methods of learning Dynamic Bayesian Network（DBN） structure have low efficiency and reliability.Learning dynamic Bayesian network structure is done based on the basic dependency relationship between variables and dependency analysis method.A sketch of dependency relationship between variables is built.Then the redundant edges can be got rid of by the conditional independent test.And the edges are oriented through the collision identify and the relative conditional prediction capability.Therefore，the dynamic Bayesian network structure can be established.This method has high efficiency and reliability.

Key words: Dynamic Bayesian Network（DBN）, dependency analysis, prior network, transition network, structure learning

中图分类号:

TP391

冷翠平¹，王双成^1，2，王辉³. 动态贝叶斯网络结构学习的依赖分析方法研究[J]. 计算机工程与应用, 2011, 47(3): 51-53.

LENG Cuiping¹，WANG Shuangcheng^1，2，WANG Hui³. Study on dependency analysis method for learning dynamic Bayesian network structure[J]. Computer Engineering and Applications, 2011, 47(3): 51-53.

[1]	陈海洋，刘喜庆，环晓敏. 一步预测的SVDDBN缺失数据插补算法[J]. 计算机工程与应用, 2020, 56(7): 81-87.
[2]	史晓洁，杨有龙. 基于和积网络的花朵图像分类研究[J]. 计算机工程与应用, 2019, 55(8): 151-156.
[3]	严智，张鹏，谢川. 基于Jaya的贝叶斯网络结构学习算法研究[J]. 计算机工程与应用, 2019, 55(19): 173-177.
[4]	高妍，王宝珠，郭志涛，周亚同. 改进HSR-FCN的服装图像识别分类算法研究[J]. 计算机工程与应用, 2019, 55(16): 144-149.
[5]	刘飞飞，蔺婧娜，刘潇潇. 基于动态贝叶斯网络的复杂网络攻击方法研究[J]. 计算机工程与应用, 2017, 53(11): 18-25.
[6]	陈海洋，毛蕊蕊，聂弘颖. 单元化单隐变量变结构DDBN推理算法[J]. 计算机工程与应用, 2015, 51(17): 128-133.
[7]	张晓静1，2，蒋冬梅1，2，FAN Ping3，SAHLI Hichem3. 基于改进异步DBN模型的听视觉融合情感识别[J]. 计算机工程与应用, 2014, 50(21): 162-165.
[8]	杨静1，曹家俭2. 连续贝叶斯网络模型在断面调查数据的应用[J]. 计算机工程与应用, 2014, 50(19): 192-198.
[9]	韩绍金1，2，3，李建勋1，3. 基于密度核估计的贝叶斯网络结构学习算法[J]. 计算机工程与应用, 2014, 50(15): 107-112.
[10]	吴陈鹤，杜友田，苏畅. 有限节点驱动的微博社会网络话题推荐方法[J]. 计算机工程与应用, 2013, 49(15): 141-146.
[11]	曹卫东，丁建立. 基于GATS贝叶斯网络结构学习的航班延误模型[J]. 计算机工程与应用, 2012, 48(31): 199-204.
[12]	陈一虎. 基于互信息的贝叶斯网络结构学习算法[J]. 计算机工程与应用, 2012, 48(13): 39-43.
[13]	李冰寒1，刘三阳1，李战国2. 构建贝叶斯网络本质图的新方法[J]. 计算机工程与应用, 2011, 47(7): 25-29.
[14]	吴孟俊1，付钿1，刘建平2，牛玉刚1. 基于动态贝叶斯网络的多特征目标跟踪[J]. 计算机工程与应用, 2011, 47(30): 183-187.
[15]	李维乾^1，2，解建仓¹，张永进³，薛保菊¹，张丽⁴. 动态贝叶斯网络在水文预报中的应用[J]. 计算机工程与应用, 2010, 46(6): 231-234.

动态贝叶斯网络结构学习的依赖分析方法研究

Study on dependency analysis method for learning dynamic Bayesian network structure

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics