摘要：基于模型选择的Bayesian网络(BN)结构学习是NP难的可行解搜索过程.针对现有算法在复杂系统求解中时间效率低的问题,提出了一种新的基于最小描述长度(minimal description length)理论的结构学习算法I-B &B-MDL.这种算法将独立性测度与预测估计相结合,在学习过程中引入小计算量的独立性测试为MDL搜索提供启发性知识,限制可行解搜索空间,从而加速问题求解过程.针对新算法讨论了改进策略对求解精度的影响,并结合算例分析了独立性测试的阶数选择问题.通过对一实际问题进行验证表明,在保证结果精度的前提下,新算法在时间性能上比仅基于预测估计的B ＆ B-MDL有较大改进.

原文链接:http://www.cqvip.com//QK/94913X/200210/6896053.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）