科研之友
微信
新浪微博
Facebook
分享链接
摘要
小数据集使得贝叶斯网络参数学习中的统计信息不准确,导致只依靠数据难以得到准确的贝叶斯网络参数。定性最大后验估计(QMAP)方法是目前小数据集条件下贝叶斯网络参数学习精度最高的算法。然而,当参数约束数量较多或参数可行域较小时,QMAP算法中的拒绝-接受采样过程会变得极为耗时甚至难以完成。为了提高QMAP算法的学习效率同时又尽量不影响其学习精度,设计了一种约束区域中心点的解析计算方法来替代原有的拒绝-接受采样计算方法。结合参数约束构建一个求解约束区域边界点的目标优化模型;利用凸优化引擎来求解该目标优化模型,获得约束区域的边界点和中心点;通过获得的约束区域中心点改进现有的QMAP算法。仿真实验证明,所提出的CMAP算法的参数学习精度稍差于QMAP算法,但计算效率比QMAP算法提高了2～5倍。
- 单位
