文献类型：期刊文章

作　　者：胡春玲[1] 胡学钢[2] 吕刚[1]

机构地区：[1]合肥学院网络与智能信息处理重点实验室,合肥230602 [2]合肥工业大学计算机与信息学院,合肥230009

出　　处：《计算机工程》

基　　金：国家自然科学基金资助项目"基于协同训练策略的不完全标记数据流分类问题研究"(61273292);安徽省自然科学基金资助项目"面向若干复杂场景的水平集图像分割关键技术研究"(1308085MF84);合肥学院人才基金资助项目"基于多数据源和概率图模型的基因调控网络建模与分析研究"(1308085MF84)

年　　份：2014

卷　　号：40

期　　号：5

起止页码：238-242

语　　种：中文

收录情况：AJ、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2013_2014、IC、INSPEC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、普通刊

摘　　要：贝叶斯网络结构学习的随机抽样算法存在收敛速度慢的问题,为此,结合均匀抽样和独立抽样,从初始样本、抽样方式和建议分布3个方面对抽样过程进行改进,提出一种混合型马尔可夫链蒙特卡罗抽样算法(HSMHS)。基于节点之间的互信息生成网络结构的初始样本,在迭代抽样阶段,按一定的概率随机选择均匀抽样和独立抽样,并根据当前抽样的样本总体计算独立抽样的建议分布,以改善抽样过程的融合性,加快收敛速度。对算法进行正确性分析,证明其抽样过程收敛于网络结构的后验概率分布,可保持较高的学习精度。在标准数据集上的实验结果表明,HSMHS算法的学习效率和精度均高于同类算法MHS、PopMCMC和Order-MCMC。

关 键 词：贝叶斯网络 结构学习  随机抽样  混合抽样  子结构抽样  建议分布  

分 类 号：TP18]