基于支持向量机特征选择的贝叶斯网结点序

doi:10.3778/j.issn.1002-8331.2008.29.005

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (29): 21-23.DOI: 10.3778/j.issn.1002-8331.2008.29.005

基于支持向量机特征选择的贝叶斯网结点序

吕世聘^1,2,王秀坤¹,孙岩^2,3,唐一源²

1.大连理工大学计算机科学与工程系，辽宁大连 116023
2.大连理工大学神经信息学研究所，辽宁大连 116023
3.辽宁师范大学计算机与信息技术学院，辽宁大连 116029

收稿日期:2008-06-25 修回日期:2008-07-21 出版日期:2008-10-11 发布日期:2008-10-11
通讯作者: 吕世聘

Node order of Bayesian network based on feature selection using Support Vector Machine

LV Shi-pin^1,2,WANG Xiu-kun¹,SUN Yan^2,3,TANG Yi-yuan²

1.Department of Computer Science and Engineering，Dalian University of Technology，Dalian，Liaoning 116023，China
2.Institute of Neuroinformatics，Dalian University of Technology，Dalian，Liaoning 116023，China
3.Department of Computer & Information Technology，Liaoning Normal University，Dalian，Liaoning 116029，China

Received:2008-06-25 Revised:2008-07-21 Online:2008-10-11 Published:2008-10-11
Contact: LV Shi-pin

摘要/Abstract

摘要： 目前较常采用搜索打分方法进行贝叶斯网络结构学习，该方法需要首先依据参与者的经验来确定网络的结点顺序，主观性较强，限制了它的实际应用。基于支持向量机特征选择的方法，可以按照各个结点对叶结点的影响能力进行排序，从而直接从数据中通过学习得出结点顺序，避免了人为因素的影响。实验结果验证了该方法的有效性。

关键词: 贝叶斯网络, 支持向量机, 特征选择

Abstract: At present，the method of search and score is widely used for learning the structure of Bayesian network.The method needs first the node order in the network，which is usually decided according to user’s experience，so the strong subjectivity blocks the method’s practical application.By measuring every node’s influence on the leaf node，feature selection based on support vector machine can learn the node order from data and get rid of the effects of human factors.Experimental results show the proposed method is effective.

Key words: Bayesian network, support vector machine, feature selection

吕世聘^1,2,王秀坤¹,孙岩^2,3,唐一源². 基于支持向量机特征选择的贝叶斯网结点序[J]. 计算机工程与应用, 2008, 44(29): 21-23.

LV Shi-pin^1,2,WANG Xiu-kun¹,SUN Yan^2,3,TANG Yi-yuan². Node order of Bayesian network based on feature selection using Support Vector Machine[J]. Computer Engineering and Applications, 2008, 44(29): 21-23.

[1]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[2]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[3]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[4]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[5]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[6]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[7]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.
[8]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[9]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[10]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[11]	李珑珠，林耀进，吕彦，卢舜，王晨曦. 利用邻域信息交互的在线流特征选择算法[J]. 计算机工程与应用, 2021, 57(21): 102-108.
[12]	杨泉. N1+N2结构语法关系判定的SVM算法[J]. 计算机工程与应用, 2021, 57(20): 104-108.
[13]	陈倩茹，李雅丽，许科全，刘铱龙，王淑琴. 自调优自适应遗传算法的WKNN特征选择方法[J]. 计算机工程与应用, 2021, 57(20): 164-171.
[14]	高晋，赵云芃，Godfred Kim Mensah，李欣芸，刘志芬，陈俊杰，郭浩. 静息态功能脑连接的空间动态分析及分类研究[J]. 计算机工程与应用, 2021, 57(2): 150-155.
[15]	秦博宇，郝晓燕，刘永芳. 基于SVM和CRF双层模型的FrameNet框架消歧[J]. 计算机工程与应用, 2021, 57(18): 255-262.

基于支持向量机特征选择的贝叶斯网结点序

Node order of Bayesian network based on feature selection using Support Vector Machine

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