The invention discloses a Bayesian network platform with self-learning function of the platform, including data preprocessing module, learning module, network topology network parameter learning module, probabilistic reasoning module and evidence sensitivity analysis module; the processing sample data set includes selected node variables to determine the node state; the structure includes a new Bayesian learning module the network window, call the sample data set, structure learning module, create a network structure; the parameter learning module includes call sample data, perform parameter learning function; the probability reasoning module including causal reasoning, reasoning and reasoning support; the evidence sensitivity analysis module includes the condition to test the sensitivity of evidence nodes. The calculation of query node index. The self learning Bayesian network platform can complete the uncertainty reasoning, meet the needs of different research, broaden the universality of application, and realize the adaptive adjustment of parameters and structure when constructing Bayesian networks.
【技术实现步骤摘要】
一种具有自学习功能的贝叶斯网络平台
本专利技术涉及一种具有自学习功能的贝叶斯网络平台,包括处理样本数据集,运用Netica基础函数开发结构学习模块和参数学习模块,构建自学习样本数据集的贝叶斯网络。同时,开发概率推理模块和证据敏感性分析模块评估所建网络的有效性。属于工程应用领域。
技术介绍
贝叶斯网络是表示变量间概率相关性关系的图模型,是不确定知识表达和推理领域最有效的理论模型之一,已被广泛地用于诊断、预测、风险管理、模拟生态系统、传感器融合等领域,效果良好。目前有很多软件平台可以构建贝叶斯网络,常用的是基于MATLAB语言开发的贝叶斯网络工具箱BNToolbox。该工具箱提供了许多贝叶斯网络学习的底层基础函数库,但是没有将贝叶斯网络学习的基本函数集成为系统。同时,BNToolbox没有图形用户界面(GUI),使用不方便,不利于推广。Netica是用Java开发的贝叶斯网络学习软件。但是基于Netica采用专家知识方法构建的贝叶斯网络,要求使用者具有较强的专业背景,采用Netica软件拟合样本数据,得到贝叶斯网络模型各个节点间的条件概率分布,是针对特定目标设定的,不能满足不同研究的需求。本专利技术采用相关领域的样本数据,基于Netica软件开发贝叶斯网络的结构学习和参数学习模块,给出通用的自学习贝叶斯网络构建方法,并通过概率推理和证据敏感性分析进行验证,拓宽了贝叶斯网络的应用普适性。
技术实现思路
针对上述问题,本专利技术的目的是提供具有自学习功能的贝叶斯网络平台。包括处理样本数据集,运用Netica基础函数开发结构学习模块和参数学习模块,构建自学习样本数据集的 ...
【技术保护点】
一种具有自学习功能的贝叶斯网络平台,平台包括数据预处理模块(1)、网络拓扑结构学习模块(2)、网络参数学习模块(3)、概率推理模块(4)和证据敏感性分析模块(5);所述数据预处理模块(1)包括选定节点变量,确定节点状态;所述结构学习模块(2)包括新建贝叶斯网络窗口,调用样本数据集,执行结构学习模块,创建网络结构,定义节点属性;所述参数学习模块(3)包括调用样本数据,执行参数学习功能;所述概率推理模块(4)包括因果推理,诊断推理和支持推理;所述证据敏感性分析模块(5)包括以测试敏感性的证据节点为条件,计算查询节点的指标;其中数据预处理模块、网络拓扑结构学习模块和网络参数学习模块构建出自动学习样本数据集的贝叶斯网络,概率推理模块和证据敏感性分析模块评估所建网络的有效性。
【技术特征摘要】
1.一种具有自学习功能的贝叶斯网络平台,平台包括数据预处理模块(1)、网络拓扑结构学习模块(2)、网络参数学习模块(3)、概率推理模块(4)和证据敏感性分析模块(5);所述数据预处理模块(1)包括选定节点变量,确定节点状态;所述结构学习模块(2)包括新建贝叶斯网络窗口,调用样本数据集,执行结构学习模块,创建网络结构,定义节点属性;所述参数学习模块(3)包括调用样本数据,执行参数学习功能;所述概率推理模块(4)包括因果推理,诊断推理和支持推理;所述证据敏感性分析模块(5)包括以测试敏感性的证据节点为条件,计算查询节点的指标;其中数据预处理模块、网络拓扑结构学习模块和网络参数学习模块构建出自动学习样本数据集的贝叶斯网络,概率推理模块和证据敏感性分析模块评估所建网络的有效性。2.根据权利要求1所述的自学习贝叶斯网络平台,其特征在于:所述数据预处理模块(1)包括确定代表研究对象属性特征的网络节点变量及其状态,并将节点变量分为三个层次:一是输入层节点变量,通常为初始因素节点,这是分析问题的起点;二是中间层节点变量,通常为过渡结果或影响逐步降低的节点,能很清晰地描述网络输入与输出之间的映射关系;三是输出层节点变量,通常为可观察变量或假设变量,这是分析问题的最终目标。贝叶斯网络每个节点代表被模拟研究对象的特征,这是一个变化的事物属性。3.根据权利要求1所述的自学习贝叶斯网络平台,其特征在于:所述网络拓扑结构学习模块(2)是构建贝叶斯网络的基础。新建一个空的贝叶斯网络窗口,调用表1的样本数据集,执行网络结构学习模块功能,创建网络结构,之后进一步定义节点属性,包括:名称,标题,类型,离散和连续属性,状态...
【专利技术属性】
技术研发人员:陈静,陈华森,曾丽丽,
申请(专利权)人:安徽理工大学,
类型:发明
国别省市:安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。