[发明专利]一种无先验知识条件下基于小数据集的贝叶斯网络参数学习方法

权利要求书

1.一种无先验知识条件下基于小数据集的贝叶斯网络参数学习方法，其特征在于，包括入戏步骤：

步骤1：获取数据统计量：

在小数据集条件下，通过统计获取参数学习所需的对应的状态统计量N_ijk和N_ij，其中，N_ijk表示数据集中节点i取值为k，且其父节点取值为j的样本个数，N_ij为数据集中节点i的父节点取值为j的样本个数；

步骤2：根据小数据集的数据量和待求参数的状态个数确定虚拟样本量：

设待求参数为θ_ijk，其中k有r种取值状态，设数据量为N，则

N_need＝n²logn²logn^m+1 (1)

α₁＝α₂＝L＝α_r＝N_need-N (2)

其中，n为网络节点个数，m为网络种的最大父节点数，N_need为学习网络参数所需的样本量可由公式(1)计算得到，α₁,α₂Kα_r分别表示同一分布条件下，即父节点取值相同时的一组参数对应的虚拟样本量；

步骤3：利用最大似然估计方法计算待求的参数，具体通过利用公式(3)求解：

步骤4：对同一分布条件下的参数进行排序，找出较小的参数；

步骤5：根据步骤4得到的同一分布条件下的参数大小排序，设所得参数排序为按照从小到大的顺序分别利用公式(4)计算贝叶斯网络参数，其中表示同一分布条件下的参数：