计算机科学 ›› 2008, Vol. 35 ›› Issue (1): 171-175.

• • 上一篇    下一篇

不完备证据条件下的Bayesian网络参数学习

刘震 周明天   

  1. 电子科技大学计算机科学与工程学院,成都610054
  • 出版日期:2018-11-16 发布日期:2018-11-16
  • 基金资助:
    电子科学基金(No.51415010101DZ02).

LIU Zhen ZHOU Ming-Tian (College of Computer Science and Engineering,UESTC, Chengdu 610054)   

  • Online:2018-11-16 Published:2018-11-16

摘要: 在Bayesian网络推理中,对节点做参数学习是必不可少的。但在学习过程中,常常会出现证据丢失,导致参数收敛速度减慢,同时影响参数学习的精确度,甚至给参数收敛带来困难。针对这样的问题,本文提出一种证据丢失参数模型,并推导出包含学习率的EM更新算法。收敛性能的理论分析和仿真试验结果两方面均表明,新算法与传统处理算法相比,在不降低参数估计精度的前提下,具有更快的收敛速度,为保证不完备证据条件下可信高效的Bayesian网络参数学习提供了一条可行的解决途径。

关键词: Bayesian网络 证据丢失 EM(η)算法 学习率

Abstract: To Infer in a Bayesian network, parameter learning for a given network node is obviously necessary. But during the course of parameter learning, evidence loss would happen from time to time and therefore slow down the parameter convergence, influence the

Key words: Bayesian network, Evidence loss, EM(η) algorithm, Learning rate

No related articles found!
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
No Suggested Reading articles found!