论文研究-约束条件下BN参数最大熵模型扩展学习算法.pdf下载

在很多智能系统的参数建模时，用户往往面对建模样本稀少的困境。针对在小数据集条件下贝叶斯网络（BN）参数建模的问题，提出了一种约束数据最大熵BN参数学习算法（CDME）。首先利用小数据集估算BN参数，随后把定性的专家经验转换为不等式约束，并利用Bootstrap算法生成满足约束的一组参数候选集，再根据信息最大熵进行加权计算出BN参数。实验结果表明，当数据量充分时，CDME参数学习算法与经典的MLE算法的学习精度近似，表明了算法的正确性；在小数据集条件下，利用CDME算法可以对BN进行参数建模，学习精度优于MLE和QMAP算法。CDME算法在实际故障诊断样本数据相对稀缺的条件下，获取了诊断BN模型参数，在此基础上完成的诊断推理结果也印证了算法的有效性，为小数据集条件下的参数建模提供了一条新途径。