多源定性概率網(wǎng)模型的融合算法研究簡介，目錄書摘
2020-02-20 09:14
來源：京東
作者：京東
多源定性概率網(wǎng)模型的融合算法研究
暫無報價
1評論
100%好評
編輯推薦:
內(nèi)容簡介: 概率網(wǎng)是人工智能學科表示并處理概率知識的一類圖模型方法。多源概率網(wǎng)融合是全面進行概率知識表示和推理研究中的重要問題。已有T作大多限于貝葉斯網(wǎng)、影響圖和可能性網(wǎng)等定量概率網(wǎng)的融合，較少考慮到概率知識只能定性表示或只需定性表示時的定性概率網(wǎng)（Qualitative ProbabilisticNetworks，QPNs）模型融合。
基于上述問題，《多源定性概率網(wǎng)模型的融合算法研究》結合不完整數(shù)據(jù)，研究QPNs符號融合方法和i種情況下的QPNs結構融合方法。具體內(nèi)容包括以下幾個方面。
1.提出基于定性互信息的歧義性約簡方法。嚴格定義定性互信息，在此基礎上，提出可區(qū)分影響強度的增強QPN，并證明其性質(zhì)，給出多項式時間的歧義性約簡方法。
2.設計并實現(xiàn)基于定性互信息的QPNSF符號融合算法。將歧義性約簡方法擴展到多個結構相同的QPNs符號融合中，提出QPNSF融合算法，分析了算法的時間復雜性。
3.設計并實現(xiàn)具有相同節(jié)點的sNQPNF結構融合算法?；诖植诩碚摚捎酶怕收蚯蠼鈱傩砸蕾嚩茸鳛槎ㄐ杂绊懙膹姸?，解決融合時涉及的關鍵問題，提出SNQPNF融合算法，分析了算法的時問復雜性。
4.設計并實現(xiàn)時序環(huán)境具有相同節(jié)點的TQPNF結構融合算法。定義時變QPN（TQPN），通過考慮其中的自身環(huán)等問題，提出基于粗糙集理淪的TQPNF融合算法，分析了算法的時間復雜性。
5.設計并實現(xiàn)具有不同節(jié)點的DNQPNF結構融合算法。由SNQPNF算法融合思想，得出合并后的初始QPN，基于粗糙集理論，通過向其中添加缺失邊和刪除冗余邊，提出DNQPNF融合算法，分析了算法的時間復雜性。
6.面向缺值數(shù)據(jù)，設計并實現(xiàn)了基于多源QPNs知識的定量參數(shù)建模算法，即貝葉斯網(wǎng)絡學習SEM.MQ算法。通過基于多源QPNs知識補全缺值數(shù)據(jù)，給出初始網(wǎng)絡的選取規(guī)則和候選網(wǎng)絡的優(yōu)化策略，提出SEM-MQ算法，許分析了該算法的時間復雜性和收斂性。
基于上述問題，《多源定性概率網(wǎng)模型的融合算法研究》結合不完整數(shù)據(jù)，研究QPNs符號融合方法和i種情況下的QPNs結構融合方法。具體內(nèi)容包括以下幾個方面。
1.提出基于定性互信息的歧義性約簡方法。嚴格定義定性互信息，在此基礎上，提出可區(qū)分影響強度的增強QPN，并證明其性質(zhì)，給出多項式時間的歧義性約簡方法。
2.設計并實現(xiàn)基于定性互信息的QPNSF符號融合算法。將歧義性約簡方法擴展到多個結構相同的QPNs符號融合中，提出QPNSF融合算法，分析了算法的時間復雜性。
3.設計并實現(xiàn)具有相同節(jié)點的sNQPNF結構融合算法?；诖植诩碚摚捎酶怕收蚯蠼鈱傩砸蕾嚩茸鳛槎ㄐ杂绊懙膹姸?，解決融合時涉及的關鍵問題，提出SNQPNF融合算法，分析了算法的時問復雜性。
4.設計并實現(xiàn)時序環(huán)境具有相同節(jié)點的TQPNF結構融合算法。定義時變QPN（TQPN），通過考慮其中的自身環(huán)等問題，提出基于粗糙集理淪的TQPNF融合算法，分析了算法的時間復雜性。
5.設計并實現(xiàn)具有不同節(jié)點的DNQPNF結構融合算法。由SNQPNF算法融合思想，得出合并后的初始QPN，基于粗糙集理論，通過向其中添加缺失邊和刪除冗余邊，提出DNQPNF融合算法，分析了算法的時間復雜性。
6.面向缺值數(shù)據(jù)，設計并實現(xiàn)了基于多源QPNs知識的定量參數(shù)建模算法，即貝葉斯網(wǎng)絡學習SEM.MQ算法。通過基于多源QPNs知識補全缺值數(shù)據(jù)，給出初始網(wǎng)絡的選取規(guī)則和候選網(wǎng)絡的優(yōu)化策略，提出SEM-MQ算法，許分析了該算法的時間復雜性和收斂性。
作者簡介:呂亞麗，女，博士，山西財經(jīng)大學信息管理學院副教授，碩士生導師，第八屆山西省很好科技工作者。2013年1月畢業(yè)于天津大學計算機應用技術專業(yè)，獲工學博士學位。
目錄:章 緒論
1．1 研究背景
1．2 研究內(nèi)容
1．3 本書結構
第2章 文獻綜述
2．1 0PN模型
2．1．1 基本概念
2．1．2 構造方法及問題
2．2 QPN定性推理
2．2．1 符號傳播算法
2．2．2 約簡歧義性的推理方法
2．3 定量概率網(wǎng)融合
2．4 存在的問題
2．5 本書工作思路
第3章 基于定性互信息的多源QPNs符號融合算法
3．1 定性互信息
3．2 歧義性約簡
3．2．1 增強QPN
3．2．2 性質(zhì)分析
3．2．3 約簡算法
3．3 符號融合算法QPNSF
3．4 實驗
3．4．1 歧義性約簡算法實驗
3．4．2 QPNSF融合算法實驗
3．5 小結
第4章 基于粗糙集的多源QPNs結構融合算法
4．1 粗糙集理論基礎
4．2 相同節(jié)點的結構融合
4．2．1 歧義性約簡
4．2．2 環(huán)路消除
4．2．3 融合算法SNQPNF
4．3 時序環(huán)境相同節(jié)點的結構融合
4．3．1 時變QPN
4．3．2 時變QPN學習算法LQPN
4．3．3 多時變QPNs融合算法TQPNF
4．4 不同節(jié)點的結構融合
4．4．1 基本思想
4．4．2 融合算法DNQPNF
4．5 實驗
4．5．1 SNQPNF融合算法實驗
4．5．2 TOPNF融合算法實驗
4．5．3 DNQPNF融合算法實驗
4．6 小結
第5章 多源QPNs知識在定量BN建模中的應用
5．1 BN建模問題捕述
5．2 BN模型及其評價準則
5．3 面向缺值數(shù)據(jù)的SEM學習算法
5．4 基于OPNs的BN模型構建算法
5．4．1 基于QPNs知識的BN參數(shù)修正
5．4．2 基于QPNs定性知識的搜索算子
5．4．3 初始網(wǎng)絡的選擇規(guī)則及其優(yōu)化策略
5．4．4 SEM-MQ算法
5．4．5 時間復雜性和收斂性
5．5 實驗
5．5．1 實驗環(huán)境與數(shù)據(jù)集
5．5．2 評估指標
5．5．3 SEM-MQ與其他結構學習算法的實驗結果對比與分析
5．5．4 樣本量m與缺值比例r對SEM-MQ實驗結果的影響
5．6 小結
第6章 結語
縮略語
插圖索引
表格索引
附錄A部分實驗代碼
附錄B部分最小樣本實驗數(shù)據(jù)
參考文獻
后記
1．1 研究背景
1．2 研究內(nèi)容
1．3 本書結構
第2章 文獻綜述
2．1 0PN模型
2．1．1 基本概念
2．1．2 構造方法及問題
2．2 QPN定性推理
2．2．1 符號傳播算法
2．2．2 約簡歧義性的推理方法
2．3 定量概率網(wǎng)融合
2．4 存在的問題
2．5 本書工作思路
第3章 基于定性互信息的多源QPNs符號融合算法
3．1 定性互信息
3．2 歧義性約簡
3．2．1 增強QPN
3．2．2 性質(zhì)分析
3．2．3 約簡算法
3．3 符號融合算法QPNSF
3．4 實驗
3．4．1 歧義性約簡算法實驗
3．4．2 QPNSF融合算法實驗
3．5 小結
第4章 基于粗糙集的多源QPNs結構融合算法
4．1 粗糙集理論基礎
4．2 相同節(jié)點的結構融合
4．2．1 歧義性約簡
4．2．2 環(huán)路消除
4．2．3 融合算法SNQPNF
4．3 時序環(huán)境相同節(jié)點的結構融合
4．3．1 時變QPN
4．3．2 時變QPN學習算法LQPN
4．3．3 多時變QPNs融合算法TQPNF
4．4 不同節(jié)點的結構融合
4．4．1 基本思想
4．4．2 融合算法DNQPNF
4．5 實驗
4．5．1 SNQPNF融合算法實驗
4．5．2 TOPNF融合算法實驗
4．5．3 DNQPNF融合算法實驗
4．6 小結
第5章 多源QPNs知識在定量BN建模中的應用
5．1 BN建模問題捕述
5．2 BN模型及其評價準則
5．3 面向缺值數(shù)據(jù)的SEM學習算法
5．4 基于OPNs的BN模型構建算法
5．4．1 基于QPNs知識的BN參數(shù)修正
5．4．2 基于QPNs定性知識的搜索算子
5．4．3 初始網(wǎng)絡的選擇規(guī)則及其優(yōu)化策略
5．4．4 SEM-MQ算法
5．4．5 時間復雜性和收斂性
5．5 實驗
5．5．1 實驗環(huán)境與數(shù)據(jù)集
5．5．2 評估指標
5．5．3 SEM-MQ與其他結構學習算法的實驗結果對比與分析
5．5．4 樣本量m與缺值比例r對SEM-MQ實驗結果的影響
5．6 小結
第6章 結語
縮略語
插圖索引
表格索引
附錄A部分實驗代碼
附錄B部分最小樣本實驗數(shù)據(jù)
參考文獻
后記
京公網(wǎng)安備 11000002000088號
