[发明专利]基于改进Apriori算法和贝叶斯网络推理的数据可靠性评价方法

权利要求书

1.基于改进Apriori算法和贝叶斯网络推理的数据可靠性评价方法，其特征在于：所述评价方法包括如下步骤

步骤1：设输入的多样性特征的多维相关数据S_ij＝{a_ji}为区间值和离散值的混合集，其中i表示数据的维度i＝1,2,…,n，j表示样本的数量j＝1,2,…,m，若将每个数据都视为区间数a_ji＝[x_ji,y_ji]，其中x_ji,y_ji可以相等，记数据S_ij左端点的集合为数据S_ij的极小值集合，S_ij右端点的集合为数据的极大值集合，将多维的具有极小值和极大值的区间数集形成样本矩阵即对极大值集S_ij^-和极小值集S_ij⁺进行数据编码化处理，得到数据编码Code和编码规则Rule；

步骤2：根据数据相关关系和属性特征，构建贝叶斯网络有向无环图，将按步骤1进行数据编码后的原始数据的各维度数据表示为贝叶斯网络中的节点其中i表示数据的维度，k表示该维度的状态即在相应编码下的编码的规则Rule。计算得到构建的贝叶斯网络的节点变量其中表示没有父节点的独立节点变量，表示有父节点的非独立节点变量，及有向边该有向边表示各个维度数据的关系，其中为节点的父节点；

步骤3：采用改进的Apriori算法求得各个节点的支持度并作为贝叶斯网络的条件概率表L(V)；

步骤4：依据证据相关法对数据的贝叶斯网络进行推理，计算数据的可靠性。

2.根据权利要求1所述的基于改进Apriori算法和贝叶斯网络推理的数据可靠性评价方法，其特征在于：所述步骤1中，数据编码化处理的处理过程为：

步骤1.1：分别对数据和进行无监督聚类学习，求得最大的邻居数N。并按照邻居数N对样本矩阵S_ij按照局部线性嵌入算法进行线性重构，计算得到样本矩阵的特征向量。将该特征向量进行聚类，得到样本矩阵的数据编码Code和数据各维度聚类的集合Rule，Rule即为编码规则。