The invention discloses a Bayesian network reasoning method based on probabilistic matrix decomposition, which includes three steps: probabilistic matrix decomposition, probabilistic matrix decomposition algorithm and Bayesian network reasoning method based on probabilistic matrix decomposition. The method can be used to analyze the independent and deterministic relations among variables. This paper proves that Bayesian network reasoning method can be used to analyze the independent and deterministic The joint probability distribution of networks can be expressed as a linear combination of joint probability distributions of a series of subgraphs. On this basis, a new reasoning framework is proposed. Under this new framework, an arbitrary Bayesian network can be decomposed into several weighted Bayesian subnetworks. If the original graph is decomposed into a tree subgraph, it can be decomposed into several weighted Bayesian subnetworks. If the original graph is decomposed into several subgraphs still with rings, the accuracy of approximate reasoning is higher than that of the mainstream belief propagation algorithm.
【技术实现步骤摘要】
一种基于概率矩阵分解的贝叶斯网络推理方法
本专利技术涉及贝叶斯网络领域,尤其涉及一种基于概率矩阵分解的贝叶斯网络推理方法。
技术介绍
贝叶斯网络是一种有向概率图模型,它起源于人工智能领域的研究,近年来,贝叶斯网络被广泛应用于人工智能、模式识别、故障诊断、图像视频处理等各个领域,贝叶斯网络用节点表示变量,用节点之间的边表示变量之间的依赖关系,其核心思想是在图模型上定义一个联合概率分布,而该联合概率分布可以表示为图模型上节点和边上势函数的乘积,这一结构特性使得概率图模型能够通过描述局部变量间的依赖关系,来刻画系统整体的联合概率分布,贝叶斯网络的基础理论主要包括模型表示、概率推理和模型学习,概率推理是其中的核心问题,具有重要的理论和实际研究意义,贝叶斯网络的推理难题是由网络中存在耦合的环引起的,因此许多近似推理方法都试图去掉环的影响,而概率矩阵是贝叶斯网络中表示局部变量间依赖关系的参数。
技术实现思路
针对上述问题,本专利技术提供了一种基于概率矩阵分解的贝叶斯网络推理方法。为解决上述技术问题,本专利技术所采用的技术方案是:一、概率矩阵分解:贝叶斯网络的联合概率表示为概率矩阵的乘积:概率矩阵描述了贝叶斯网络局部变量之间的概率依赖关系,概率矩阵分解的主要思想是将概率矩阵分解为若干带权重的极值概率矩阵,其中极值概率矩阵的元素只包含0和1,通过概率矩阵分解,变量之间的依赖关系被分解为独立关系或确定性关系,通过分解,变量之间的耦合关系能够得到简化,原来含有环的贝叶斯网络能够变成无环网络;因此,可以利用矩阵分解,将一个带环的贝叶斯网络分解为树状贝叶斯网络,从而将复杂推理问题转化 ...
【技术保护点】
1.一种基于概率矩阵分解的贝叶斯网络推理方法,分为三个步骤:一、概率矩阵分解:贝叶斯网络的联合概率表示为概率矩阵的乘积:
【技术特征摘要】
1.一种基于概率矩阵分解的贝叶斯网络推理方法,分为三个步骤:一、概率矩阵分解:贝叶斯网络的联合概率表示为概率矩阵的乘积:概率矩阵描述了贝叶斯网络局部变量之间的概率依赖关系,概率矩阵分解的主要思想是将概率矩阵分解为若干带权重的极值概率矩阵,其中极值概率矩阵的元素只包含0和1,通过概率矩阵分解,变量之间的依赖关系被分解为独立关系或确定性关系,通过分解,变量之间的耦合关系能够得到简化,原来含有环的贝叶斯网络能够变成无环网络;因此,可以利用矩阵分解,将一个带环的贝叶斯网络分解为树状贝叶斯网络,从而将复杂推理问题转化为树状贝叶斯网络的推理问题;以下给出概率矩阵的数据定义,贝叶斯网络中某个节点的概率矩阵记为T=(tij)m×n,概率矩阵的元素为非负数,且概率矩阵的每行满足定义1:T为概率矩阵,如果T的所有元素取值为0或1,则T为极值概率矩阵,极值矩阵蕴含着变量之间的独立性或确定性关系,极值概率矩阵的数学定义如下:任意一个概率矩阵T可以分解为特定数量的独立和确定性极值矩阵的加权和:定理1:一个任意极值概率矩阵描述变量之间的独立或确定性关系。二、概率矩阵分解算法:对于任意一个m×n维概率矩阵,可以被分解为nm个可能的极值矩阵,分解后的极值矩阵数量随着矩阵维度呈指数增长,从而限制了该方法在概率推理中的应用。三、基于概率矩阵分解的贝叶斯网络推理方法:利用概率矩阵分解方法可以把贝叶斯网络进行分解简化:定理3:贝叶斯网络的联合概率分布可以表示为子网络联合概率分布的加权和:。2.根据权利要求1所述一种中和酸的检测方法,其特征在于:概率矩阵分解算分为三个矩阵分解的算法:算法1:最小行分解算法:最小化分解后极值概率矩阵的数量,可以表示为以下优化问题:minN0≤ρi≤1,i=1,2,...,N文本提出了最小行搜索算法来优化上述问题。最小行搜索算法是一个迭代分解方法:(1)输入:m×n维概率矩阵T;(2)输出:特定数量的极值概率矩阵E={Ek},及相应的权重ρ={ρk};(3)初始化T=(tij)m×n,k...
【专利技术属性】
技术研发人员:董建武,孙波,房婧,杜雄杰,刘成,方喆君,余肇飞,刘健,司成祥,王亿芳,侯美佳,
申请(专利权)人:国家计算机网络与信息安全管理中心,北京大学,
类型:发明
国别省市:北京,11
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。