判别类条件贝叶斯网络分类器的量子粒子群优化参数学习

作者：吴慧玲; 丁晓彬; 贺广生; 刘久富^*

来源：山东科技大学学报(自然科学版), 2019, 38(05): 87-93.

DOI：10.16452/j.cnki.sdkjzk.2019.05.011

• 贝叶斯网络
• 判别参数学习
• 量子粒子群
• 故障诊断

针对贝叶斯网络分类器在处理多属性分类问题时,存在分类精度下降、算法运行时间过长等问题,提出一种判别类条件贝叶斯网络模型。该模型在类条件贝叶斯模型的基础上,将条件对数似然函数以对数形式重新参数化,并使用量子粒子群优化算法最大化目标函数。新模型采用判别参数学习方法,直接计算条件概率,对于分类问题更加高效。本研究将判别类条件贝叶斯网络模型与TAN分类器相结合,使用量子粒子群算法进行优化,用于对液体火箭发动机的故障诊断与分类中。针对某型号火箭的仿真数据进行故障诊断与分类,与传统的贝叶斯分类器相比,改进的分类器在处理分类问题时,准确率和学习效率更高。

• 单位
  南京航空航天大学; 河南牧业经济学院; 自动化学院