多源定性概率网模型的融合算法研究_吕亚丽著_9787307190993

　　概率网是人工智能学科表示并处理概率知识的一类图模型方法。多源概率网融合是全面进行概率知识表示和推理研究中的重要问题。已有T作大多限于贝叶斯网、影响图和可能性网等定量概率网的融合，较少考虑到概率知识只能定性表示或只需定性表示时的定性概率网（Qualitative ProbabilisticNetworks，QPNs）模型融合。
　　基于上述问题，《多源定性概率网模型的融合算法研究》结合不完整数据，研究QPNs符号融合方法和i种情况下的QPNs结构融合方法。具体内容包括以下几个方面。
　　1.提出基于定性互信息的歧义性约简方法。严格定义定性互信息，在此基础上，提出可区分影响强度的增强QPN，并证明其性质，给出多项式时间的歧义性约简方法。
　　2.设计并实现基于定性互信息的QPNSF符号融合算法。将歧义性约简方法扩展到多个结构相同的QPNs符号融合中，提出QPNSF融合算法，分析了算法的时间复杂性。
　　3.设计并实现具有相同节点的sNQPNF结构融合算法。基于粗糙集理论，采用概率正域求解属性依赖度作为定性影响的强度，解决融合时涉及的关键问题，提出SNQPNF融合算法，分析了算法的时问复杂性。
　　4.设计并实现时序环境具有相同节点的TQPNF结构融合算法。定义时变QPN（TQPN），通过考虑其中的自身环等问题，提出基于粗糙集理沦的TQPNF融合算法，分析了算法的时间复杂性。
　　5.设计并实现具有不同节点的DNQPNF结构融合算法。由SNQPNF算法融合思想，得出合并后的初始QPN，基于粗糙集理论，通过向其中添加缺失边和删除冗余边，提出DNQPNF融合算法，分析了算法的时间复杂性。
　　6.面向缺值数据，设计并实现了基于多源QPNs知识的定量参数建模算法，即贝叶斯网络学习SEM.MQ算法。通过基于多源QPNs知识补全缺值数据，给出初始网络的选取规则和候选网络的优化策略，提出SEM-MQ算法，许分析了该算法的时间复杂性和收敛性。

你还可能感兴趣

我要评论