利用节点顺序置信指导增量学习贝叶斯网络的研究与应用

J4 ›› 2013, Vol. 35 ›› Issue (6): 96-100.

利用节点顺序置信指导增量学习贝叶斯网络的研究与应用

贾松浩，杨彩，张海玉

(南阳师范学院计算机与信息技术学院，河南南阳 473061)

收稿日期:2012-11-27 修回日期:2013-01-21 出版日期:2013-06-25 发布日期:2013-01-21
基金资助:
河南省基础与前沿技术研究项目(112300410225)；河南省重点攻关项目(112102210408)；河南省教育厅自然科学研究计划项目(2011B520029)；河南省教育厅科学技术研究重点项目资助计划(12A520033)

Study and application of incremental learning
Bayesian network guided by node order confidence

JIA Songhao，YANG Cai，ZHANG Haiyu

(College of Computer and Information Technology,Nanyang Normal University,Nanyang 473061,China)

Received:2012-11-27 Revised:2013-01-21 Online:2013-06-25 Published:2013-01-21

摘要/Abstract

摘要：

将节点顺序置信指导的方法融入到增量学习过程中，提出了NOCLBN算法。该算法对于大规模数据集下贝叶斯网络的学习过程进行了改进，增强了每一批次数据学习的精度，提高了最终网络模型的质量。实验结果表明，NOCLBN算法对于大规模数据集下贝叶斯网络学习的结果质量更高。

关键词: 贝叶斯网络, 节点顺序置信, 增量学习

Abstract:

By introducing the node order of confidence in the procedure of incremental learning, so the NOCLBN algorithm is proposed. For the learning procedure of Bayesian network under largescale data set, the algorithm enhances the accuracy of the study of each batch of data, thus improving the quality of the final network model. Experimental results show that the NOCLBN algorithm can obtain high quality for the learning results of Bayesian network under largescale data set.

Key words: Bayesian network;node order of confidence;incremental learning

贾松浩，杨彩，张海玉. 利用节点顺序置信指导增量学习贝叶斯网络的研究与应用[J]. J4, 2013, 35(6): 96-100.

JIA Songhao，YANG Cai，ZHANG Haiyu. Study and application of incremental learning
Bayesian network guided by node order confidence [J]. J4, 2013, 35(6): 96-100.

[1]	郭文强, 寇馨, 李梦然, 侯勇严, 肖秦琨. 小数据集情况下基于变权重融合的BN参数学习算法[J]. 计算机工程与科学, 2022, 44(05): 916-923.
[2]	艾阳阳，罗莉，杨庆娜，张恒浩，夏婷婷. 一种基于贝叶斯网络的随机测试方法在Cache一致性验证中的设计与实现[J]. 计算机工程与科学, 2017, 39(08): 1397-1402.
[3]	周伟1，赵宝康1，刘波1，吴少康1，李琰1，刘华1,2. 基于动态贝叶斯网络的健壮报头压缩算法[J]. 计算机工程与科学, 2017, 39(01): 61-66.
[4]	朱志勇1，徐长梅1，刘志兵1，胡晨刚2. 基于贝叶斯网络的客户流失分析研究[J]. J4, 2013, 35(3): 155-158.
[5]	李义杰,蒋靖,程政. 基于贝叶斯网络的软件项目进度管理模型[J]. J4, 2011, 33(11): 140-143.
[6]	程环环，王润生. 利用贝叶斯网络融合空间上下文的高分辨遥感图像分类[J]. J4, 2011, 33(1): 70-76.
[7]	高志华1，贲可荣1，章林柯2. 可增量学习的水下航行器噪声源识别中聚类算法研究[J]. J4, 2010, 32(9): 53-56.
[8]	汪春亮1，2,伏玉琛2. 一种针对非平衡数据的贝叶斯分类算法[J]. J4, 2010, 32(7): 95-98.
[9]	吕俊亚1,韩忠军2. 基于增量学习SVM的人脸识别[J]. J4, 2010, 32(6): 58-60.
[10]	车璐,郭春生. 贝叶斯网络的无损分解[J]. J4, 2010, 32(4): 151-153.
[11]	喻晓锋, 秦春影. 一种改进的贝叶斯网弧定向算法研究[J]. J4, 2010, 32(3): 82-84.
[12]	周清[1] 林拉[1] 王红[2] 杨红飞[2]. 基于贝叶斯网络的学生模型在测试系统的应用研究[J]. J4, 2008, 30(3): 21-23.
[13]	刘新旺[1] 殷建平[1] 张国敏[1] 罗棻[2] 詹宇斌[1]. 基于最小二乘支持向量机的特征增量学习算法[J]. J4, 2008, 30(12): 68-71.
[14]	高志华[1] 李朝旭[2] 田立业[1]. 基于增量学习的RBF神经网络的噪声源识别[J]. J4, 2008, 30(11): 118-119.
[15]	徐计张桂芸. 基于贝叶斯网络的一种牛奶产量预测研究[J]. J4, 2008, 30(10): 15-18.