贝叶斯网络学习方法、智能设备及存储装置制造方法及图纸

本申请涉及人工智能领域，公开了一种贝叶斯网络学习方法、智能设备及存储装置，该方法包括：获取训练样本，所述训练样本中包括连续节点数据；将所述连续节点数据进行离散化处理，得到离散样本数据；利用所述离散样本数据进行结构学习，得到贝叶斯网络的拓扑；利用所述训练样本，结合所述贝叶斯网络的拓扑进行参数学习，得到所述贝叶斯网络的参数。通过上述方式，本申请能够平衡训练过程的速度和准确性。

Bayesian Network Learning Method, Intelligent Equipment and Storage Device

【技术实现步骤摘要】
贝叶斯网络学习方法、智能设备及存储装置
本申请涉及人工智能
，特别是涉及一种贝叶斯网络方法、智能设备及存储装置。
技术介绍
贝叶斯网络，也被称为信念网络(BeliefNetwork)，是一种典型的“概率图模型”(ProbabilisticGraphicalModel，PGM)，是一种用图形化的方式来表达事件之间的相互依赖关系的方法。传统的贝叶斯网络一般是离散型的，节点均为离散值，即节点的可能取值是有限的几个确定值，如0、1、2等。连续型的贝叶斯网络，节点值是连续的。混合型的贝叶斯网络，同时包含离散节点和连续节点。根据训练样本确定贝叶斯网络的结构和参数的过程，被称为贝叶斯网络的学习。对于离散型的贝叶斯网络，其结构和节点参数均可以用较为成熟的算法进行求解。但对于连续型的贝叶斯网络或混合型的贝叶斯网络，现有成熟的算法都不能直接使用。为了解决连续节点贝叶斯网络难以进行结构学习和参数学习的问题，通常选择的方法是将连续节点变成离散节点，即可以使用通用的方法进行结构学习、参数学习以及推理。然而，将连续数据离散化的过程会损失数据所包含的部分信息，并且在使用建立好的网络进行推理时，很可能输入新的本文档来自技高网...

【技术保护点】
1.一种贝叶斯网络学习方法，其特征在于，包括：获取训练样本，所述训练样本中包括连续节点数据；将所述连续节点数据进行离散化处理，得到离散样本数据；利用所述离散样本数据进行结构学习，得到贝叶斯网络的拓扑；利用所述训练样本，结合所述贝叶斯网络的拓扑进行参数学习，得到所述贝叶斯网络的参数。

【技术特征摘要】
1.一种贝叶斯网络学习方法，其特征在于，包括：获取训练样本，所述训练样本中包括连续节点数据；将所述连续节点数据进行离散化处理，得到离散样本数据；利用所述离散样本数据进行结构学习，得到贝叶斯网络的拓扑；利用所述训练样本，结合所述贝叶斯网络的拓扑进行参数学习，得到所述贝叶斯网络的参数。2.根据权利要求1所述的方法，其特征在于，所述利用所述离散样本数据进行结构学习，得到贝叶斯网络的拓扑包括：利用所述连续节点数据离散化得到的离散节点数据，以及所述训练样本中包括的离散节点数据，学习所述贝叶斯网络各节点的连接关系，以得到所述贝叶斯网络的拓扑。3.根据权利要求1所述的方法，其特征在于，所述利用所述训练样本，结合所述贝叶斯网络的拓扑，学习所述贝叶斯网络各节点的概率分布，以得到所述贝叶斯网络的参数包括：判断当前进行参数学习的节点是否为连续节点；若所述节点为连续节点，则采用高斯混合模型模拟所述节点的边缘概率分布或条件概率分布，并进行高斯混合模型的参数学习，以得到所述节点的概率分布；否则，判断所述节点是否带有连续父节点；若所述节点带有连续父节点，则采用归一化指数函数模拟所述节点的条件概率分布，并进行归一化指数函数的参数学习，以得到所述节点的概率分布。4.根据权利要求3所述的方法，其特征在于，所述采用高斯混合模型模拟所述节点的边缘概率分布或条件概率分布，并进行高斯混合模型的参数学习，以得到所述节点的概率分布包括：判断所述节点是否为多维节点；若所述节点为多维节点，则使用多元高斯混合模型模拟所述节点的边缘概率分布或条件概率分布，并进行多元高斯混合模型的参数学习，以得到所述节点的概率分布。5.根据权利要求3所述的方法，其特征在于，所述采用高斯混合模型模拟所述节点的边缘概率分布或条件概率分布，并进行高斯混合模型的参数学习，以得到所述节点的概率分布包括：判断所述节点是否为根节点；若所述节点为根节点，则采用第一高斯混合模型模拟所述根节点的边缘概率分布，并进行所述第一高斯混合模型的参数学习，以得...

【专利技术属性】
技术研发人员：欧勇盛，王志扬，徐升，熊荣，韩伟超，江国来，段江哗，李浩，吴新宇，冯伟，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东,44