导　　师： 曾安;涂玲玲

授予学位： 硕士

作　　者： (）;

机构地区： 广东工业大学

摘　　要： 贝叶斯网络基于图论和概率统计理论，是一种能够进行不确定性知识推理的图形化网络模型，由于其具有坚实的理论基础，贝叶斯网络能够广泛的应用在诸多学科领域中，并获得不菲的成就。贝叶斯网络的学习可分为参数学习与结构学习两部分，其中网络参数可通过数据样本集和网络模型来确定，因而贝叶斯网络学习研究的重点在于结构学习。然而仅通过专家经验来搭建贝叶斯网络是非常困难的，甚至是不太可能实现的，现有研究也证明网络结构学习复杂度会随样本集中变量数的增多呈指数级增长，并且网络推理学习在复杂网络模型结构中难以开展，它们都是NP-Hard问题，故贝叶斯网络的研究重点在于探寻有效的网络结构学习算法。　　本文对贝叶斯网络的学习算法、集成分类器及其应用展开了深入研究，具体如下：　　1、为了研究有效的结构学习算法，提出基于最大信息系数的贝叶斯网络结构学习算法(MIC&GS)。算法首先基于最大信息系数来检测变量间的关联度，然后依据筛选因子与关联程度构造贝叶斯网络初始化结构，并结合贪婪算法对初始化网络进行了优化，从而生成最终的网络模型结构。实验表明，相比其他结构学习算法， MIC&GS算法能够更好的拟合样本数据集，获得与标准网络更相近的网络结构。　　2、为了降低贝叶斯分类器分类预测的错误率，将前文提出的MIC&GS算法作为集成学习算法中的一种分类器，与支持向量机以及BP神经网络分类器展开集成。算法中每种不同种类的分类器在构造该种类多个基本分类器时采用Bagging算法进行学习，在多个基本分类器对样本数据集展开分类预测后，最终的分类预测结果利用相对多数投票方法进行整合。实验表明，集成学习能够得到较好的分类预测结果，与其他算法相比，集成学习�

关 键 词： 贝叶斯网络 结构学习 最大信息系数 集成分类器

领　　域： []