[发明专利]一种适用于图模型概率推理的不确定性估计方法

说明书

技术领域

本发明涉及到机器学习领域，具体地说，特别涉及到一种适用于图模型概率推理的不确定性估计方法。

背景技术

概率图模型是机器学习领域的重要方法，广泛应用于语音、图像、文字数据的识别等场合。概率图模型应用的基本方法是：先通过对标定数据的学习得到图模型中各种特征的权重参数；然后，通过基于在同类型数据中提取的特征，以消息传递的方式拟合数据序列中的关联关系，即实现了概率推理的过程。但是，对于真实数据，由于图模型建模的误差，实际数据特征定义和提取的不恰当，以及参数学习中的数理近似，都会使图模型的概率推理结果偏离真值。估计图模型概率推理的不确定性是图模型在真实应用中的重要技术环节，比如，当把图模型概率推理结果融入工程中常用的数据融合框架时，对概率推理的不确定性估计尤为关键。

经对现有技术文献的检索发现，D.Nilsson等人在《Statistics and Computing》1998，8卷，159-173页上发表了“ An efficient algorithm for finding the M most probable configurations in probabilistic expert system

综上所述，针对现有技术的缺陷，特别需要一种适用于图模型概率推理的不确定性估计方法，以解决现有技术的不足。

发明内容

本发明针对上述现有技术的不足和缺陷，提供了一种适用于图模型概率推理的不确定性估计方法，解决了背景技术中存在的不足，提高了对图模型概率推理不确定性估计的精度。

本发明所解决的技术问题可以采用以下技术方案来实现：

一种适用于图模型概率推理的不确定性估计方法，所述方法包括如下步骤：

1)构建针对实际待推理问题的图模型；

2)设定1)中图模型的叶节点和根节点，同时设定概率推理时消息传播的内向为从叶节点向根节点的方向，外向为从根节点向叶节点的方向；

3)执行步骤4)至步骤8)的操作K次；

4)沿消息传递的内向执行步骤5)和步骤6)的操作；

5)对于每一节点x_i，求取下述三类量的积它的局部势φ_l(x_i)、与下级相邻节点x_j的配对势φ_p(x_i，x_j)、由除x_j外的所有其它节点传来的消息的积上述积表现为一个矩阵。对于叶节点，由于沿内向没有上级节点，因此将所有接收到的消息置为1。对于根节点，由于沿内向没有下级节点，因此配对势置为1。

6)对5)中积的每一行执行累加概率采样，将每一行所得的采样值汇总组成列向量m^sam，并作为新消息；将每一行所得的构成消息的状态索引汇总组成列向量累加概率采样方法可以在采样一组概率服从任一分布的状态时保持随机性并同时兼顾各个状态的概率，即，确保概率大的状态具有被采样到的更大可能性。具体步骤如下：

①.将一个包含n个元素的向量a做归一化处理：

②.对于i从1到n求取

③.在0和1之间生成一个随机数r；

④.通过下式求取t：t＝argmin_k(d[k]≥r)；

⑤.得到v＝a[t]为采样得到的值，而t为v在向量a中的索引。

7)沿消息传递的外向，以在根节点求取的为起点进行状态回溯(Back-tracking)，将回溯得到的每个节点的关联状态组成关联配置向量C；

8)根据关联配置向量C求取一组对应实际推理对象的解U_k；

9)通过待推理对象的解集拟合出表征推理不确定性的协方差。

有益效果

与现有技术相比，本发明具有如下有益效果：

(1)在图模型概率推理的消息构建及消息传播机制中实施不确定性采样，更深入地建模了引起推理不确定性的本质因素。

(2)采用了基于累加概率采样的消息采样机制，可以在采样一组节点服从任一分布的状态时保持随机性并同时兼顾各个状态的概率，确保概率大的状态具有被采样到的更大可能性。

(3)采用了单向消息传播与配置回溯相结合的搜寻配置模式，所估计的推理不确定性源于不同配置的边缘概率，更符合真实问题的规律。

附图说明

下面结合附图与实施案例进一步说明本发明。

图1本发明的流程示意图；

图2本发明采样消息构建示意图；