摘要：目前贝叶斯网络缺乏支持结构建立、参数学习、知识推理的一致算法,使知识建立与应用过程无法联接。针对这一现状,通过设计适合于贝叶斯网络学习的遗传算法编码方式、具有调整策略的交叉与变异算子,能进行推理误差反馈的适应函数,实现样本支持下的结构确定、参数学习、推理检验、反馈修正的贝叶斯网络全过程建立。实验结果表明,新算法不仅同步优化网络结构与参数,且可以自适应推理误差的学习修正,有着更满意的知识推理正确率。

摘要：对贝叶斯网络的在线参数学习进行了研究。分析了ML和Voting EM算法的特点。发现它们在快速适应样本特征变化、预测与确定算法参数方面存在的不足,并提出基于上述两种方法的混合在线学习算法。改进算法根据修正参数误差以及调节数据量权重动态获取与确定贝叶斯网络。研究结果表明,改进算法在快速获取知识参数与知识检验正确率方面,比Voting EM方法具有更好的特点。