针对高维数据下贝叶斯网络结构学习精度和效率低的问题,提出一种基于归一化互信息和近似马尔可夫毯的特征选择(feature selection based on normalized mutual information and approximate Markov blanket,FSNMB)算法来获取目标节点的马尔可夫毯(Markov blanket,MB),进一步结合MB和Meek规则实现基于特征选择的局部贝叶斯网络结构(construct local Bayesian network based on feature selection,FSCLBN)算法,提高局部贝叶斯网络结构学习的精度和效率。实验证明,在高维数据中,FSCLBN算法与现存的局部贝叶斯网络结构学习算法相比更具优势。
贝叶斯网络结构学习是贝叶斯网络推理及应用的基础.搜索高质量的节点序是贝叶斯网络结构学习的一类重要方法.针对在节点序空间中,搜索高质量节点序存在的难以高效、准确评估解的问题,本文提出了一种近似图引导的演化贝叶斯网络结构学习算法.首先,该算法利用互信息构建无向近似图;其次,该算法通过结合节点序和无向近似图构造有向图结构,将其贝叶斯信息准则评分作为节点序的适应度来高效评估节点序,并在演化优化的框架下,使用提出的基于Kendall Tau Distance的交叉算子和基于逆度的变异算子搜索最优节点序;最后,将搜索到的最优节点序输入K2算法得到其对应的贝叶斯网络结构.在4种不同规模网络上的实验结果表明,该算法在收敛时间和准确度之间取得了较好的平衡,其评分相较于对比算法中的次优解分别提升了10.91%、12.28%、53.96%、10.87%.
贝叶斯网络是目前不确定知识表达和推理领域最有效的理论模型之一,利用贝叶斯网络进行分析和推理前首先需要通过结构学习和参数学习获取其网络模型,其中结构学习是参数学习的基础。针对现有萤火虫算法不符合生物学规则以及学习贝叶斯网络结构存在效率低、容易陷入局部最优等问题,设计了一种基于互信息与性别机制的萤火虫算法(firefly algorithm based on mutual information and gender mechanism,MGM-FA)。首先,通过计算节点互信息得到贝叶斯网络骨架图,基于骨架图驱动MGM-FA算法生成初始种群;其次,引入基于性别机制的个性化贝叶斯网络种群更新策略,以保障贝叶斯网络个体的多样性;最后,引入局部优化器和扰动操作符,增强算法的寻优能力。分别在不同规模的标准网络上进行仿真实验,与现有同类型算法相比,该算法精度和效率均有所提升。