一种基于遗传算法和最大似然估计确定贝叶斯网络参数的方法技术

本发明专利技术具体涉及一种基于遗传算法和最大似然估计确定贝叶斯网络参数的方法。本发明专利技术在贝叶斯网络参数学习的过程中，将最大似然估计的最大似然函数作为适应度函数进行参数的优化，提高小样本数据条件下参数学习的精度。本发明专利技术具体包括以下步骤：(1)构建贝叶斯网络结构，初始化贝叶斯网络的参数；(2)编码方式采用二进制编码，对遗传算法种群进行初始化；(3)结合最大似然估计学习算法，将最大似然函数作为适应度函数。(4)利用正比选择策略、多点交叉法、反转位值法确定新的种群个体。(5)不断更新遗传算法的种群，满足目标函数，将通过计算得到的网络参数θ

【技术实现步骤摘要】
一种基于遗传算法和最大似然估计确定贝叶斯网络参数的方法
本专利技术属于计算机
，具体涉及一种基于遗传算法和最大似然估计确定贝叶斯网络参数的方法。
技术介绍
贝叶斯网络的参数学习是构建贝叶斯网络的重要组成部分，对于特定的领域来说，网络的结构通常可以由领域知识和专家经验来确定，网络的参数也可以由专家知识获得，但是这种方法获得参数主观性太强，影响网络推理结果的准确性和合理性。对于参数要求高的场合，网络参数需要通过学习获得。当网络复杂时且样本数据不多的情况下，参数学习非常困难。近年来用于贝叶斯参数学习的算法大致有最大似然估计法(MLE)、贝叶斯估计和最大期望法(EM)。EM算法适用于不完整样本数据的条件，最大似然估计和贝叶斯估计法适用于完整样本数据的条件。最大似然估计将贝叶斯网络的参数θ视为自变量，用关于参数θ的似然函数作为优化目标，用最大似然估计进行参数学习的过程为寻优过程。在样本量充足的情况下，最大似然估计可以解决网络参数学习的问题。但是在实际应用中样本数据较少，这样的话存在参数学习精度差的问题。目前关于贝叶斯网络参数学习的文本文档来自技高网...

【技术保护点】
1.一种基于遗传算法和最大似然估计确定贝叶斯网络参数的方法，其特征在于，该方法包括如下步骤：/n步骤1：构建贝叶斯网络结构，初始化贝叶斯网络的网络参数θ

【技术特征摘要】
1.一种基于遗传算法和最大似然估计确定贝叶斯网络参数的方法，其特征在于，该方法包括如下步骤：
步骤1：构建贝叶斯网络结构，初始化贝叶斯网络的网络参数θ0，对贝叶斯网络的模型各节点进行实时采样，获得一组样本数据；
步骤2：编码方式采用二进制编码，对遗传算法种群进行初始化，确定最大遗传迭代数，判断是否满足结束条件；
步骤3：确定遗传算法的适应度函数，保留最优个体，结合最大似然估计学习算法，将最大似然函数作为适应度函数；
步骤4：利用正比选择策略，得到选择概率后采用轮盘赌的方法进行选择操作；采用多点交叉法完成交叉操作，确定交叉概率；针对二进制编码形式，采用反转位值法确定变异概率，经过一系列操作生成新的种群个体；
步骤5：不断更新遗传算法的种群，满足目标函数，将通过计算得到的网络参数θt+1替换上一时刻的网络参数θt，同时进行实时样本数据采样，最终得到最优的网络参数。


2.根据权利要求1所述的一种基于遗传算法和最大似然估计确定贝叶斯网络参数的方法，其特征在于，步骤1具体包括：
以建立无人水下航行器威胁评估的贝叶斯网络模型为例，模型的节点包括障碍物Z(t)、海流L(t)、海底地形D(t)、海水密度M(t)、传感器C(t)、漏水J(t)、执行机构Q(t)、能源状态N(t)；初始化贝叶斯模型的参数即对各节点的值初始化，Z(t)＝{高，低}＝{0.5，0.5}；L(t)＝{高，低}＝{0.5，0.5}；D(t)＝{高，低}＝{0.5，0.5}；M(t)＝{高，低}＝{0.5，0.5}；C(t)＝{正常，异常}＝{0.5，0.5}；J(t)＝{正常，异常}＝{0.5，0.5}；Q(t)＝{正常，异常}＝{0.5，0.5}；N(t)＝{充足，不足}＝{0.5，0.5}。


3.根据权利要求1所述的一种基于遗传算法和最大似然估计确定贝叶斯网络参数的方法，其特征在于，步骤2具体包括：
这里的参数为各节点条件概率的集合,即{Z(t),L(t),D(t),M(t),C(t),J(t),Q(t),N(t)}，集合中元素介于区间[0,1]内，为了减小个体长度，元素编码的时候只用小...

【专利技术属性】
技术研发人员：么洪飞，韩春松，温继菡，丁传东，张国梁，吴庆涛，
申请(专利权)人：齐齐哈尔大学，
类型：发明
国别省市：黑龙江;23