小数据集条件下贝叶斯网络自适应参数学习方法
郭志高
高晓光
邸若海
1.西北工业大学电子信息学院,陕西西安,7101292.西北工业大学电子信息学院,陕西西安,7101293.西北工业大学电子信息学院,陕西西安,710129
摘要：针对小数据集条件下贝叶斯网络参数学习问题，约束最大似然(CML)和定性最大后验概率(QMAP)方法是两种约束适用性较好的方法。当样本数量、约束数量、参数位置不同时，上述两种方法互有优劣，进而导致方法上的难以选择。因此，本文提出一种自适应参数学习方法：首先，利用CML和QMAP方法学习得到两组参数；然后，基于拒绝–接受采样和空间最大后验概率思想自定义计算得到样本权重、约束权重、参数位置权重；最后，基于上述参数和权重计算得到新的参数解。实验表明：在任何条件下，本文方法计算得到参数的精度接近甚至优于CML和QMAP方法的最优解。
关键词：贝叶斯网络小数据集参数估计凸优化自适应方法
分类号：TP18(自动化基础理论)
资助基金：国家自然科学基金(61573285)中央高校基本科研业务费专项(3102015BJ(II)GH01)
论文发表日期：2016-01-01
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：11( 945-955 )
英文信息