[发明专利]基于试探搜索的贝叶斯网络结构学习方法及设备

说明书

本发明公开了一种基于试探搜索的贝叶斯网络结构学习方法及设备。所述方法，包括：随机选取搜索中心点，并进行试探性搜索，以获取生成除搜索禁忌表以及历史最优记录表之外的多个随机样本；将搜索中心点以及多个随机样本加入搜索禁忌表，计算搜索中心点以及各个随机样本的BIC评分，以获得BIC评分最大值，并在累积搜索半径与最大BIC评分的关系曲线中标记；将关系曲线中的拐点加入历史最优记录表，并判断当前累计搜索半径是否达到结束条件，若是，结束搜索，并输出历史最优记录表中最新更新的点，否则，判断是否达到中心重置条件，若是，更新搜索中心点为上一拐点，重新开始搜索步骤，否则，继续搜索。采用本发明，可以使得平均准确率达到95.3％。

技术领域

本发明涉及人工智能领域，尤其涉及一种基于试探搜索的贝叶斯网络结构学习方法及设备。

背景技术

贝叶斯网(BayesianNetwork,BN)是联合概率分布的一种图形化表示，由于具有结构清晰，语义明确等特点，因此成为处理不确定性知识表示和推理的一种重要理论模型。贝叶斯网在机器学习、医疗诊断、金融分析等领域有着广泛的应用，并已经取得了较大的成功。但仅由专家构建贝叶斯网通常十分困难，有时甚至是不可能的。因此，从数据中快速、准确地学习贝叶斯网络结构具有重要的理论意义和应用价值。相关技术中，贝叶斯网络结构学习方法在节点多、网络结构相对复杂时，容易陷入局部最优解，精确度低。

发明内容

本发明实施例提供一种基于试探搜索的贝叶斯网络结构学习方法及设备，用以解决现有技术中贝叶斯网络结构学习方法陷入局部最优解的问题。

根据本发明实施例的基于试探搜索的贝叶斯网络结构学习方法，包括：

步骤一、随机选取贝叶斯网络结构空间中的一个点作为搜索中心点，并初始化搜索半径、累计搜索半径；

步骤二、基于所述搜索中心点、所述搜索半径，采用随机搜索操作，生成除搜索禁忌表以及历史最优记录表之外的多个随机样本；

步骤三、将所述搜索中心点以及多个所述随机样本加入所述搜索禁忌表，计算所述搜索中心点以及各个所述随机样本的BIC评分，以获得BIC评分最大值，并在累积搜索半径与最大BIC评分的关系曲线中标记所述BIC评分最大值及其对应的搜索半径；

步骤四、将所述关系曲线中的拐点加入所述历史最优记录表，并判断当前累计搜索半径与上一拐点对应的累计搜索半径之间的差值是否大于预设的结束阈值，若是，结束搜索，并输出所述历史最优记录表中最新更新的点，否则，执行步骤五；

步骤五、判断当前累计搜索半径是否大于预设的中心重置阈值，若是，更新所述搜索中心点为上一拐点，并初始化搜索半径、累计搜索半径后重复步骤二至步骤四，否则，将所述搜索半径和所述累计搜索半径均加一后重复步骤二至步骤四。

根据本发明的一些实施例，所述方法还包括：

在步骤一之前，基于训练数据构建贝叶斯网络结构空间。

根据本发明的一些实施例，所述BIC评分根据公式1计算：

其中，g表示贝叶斯网络结构空间中的点，D表示训练数据，BICg|D表示贝叶斯网络结构空间中的点的BIC评分，X_i表示第i个节点，r_i表示X_i可能的取值个数，q_i表示X_i的父节点取值的组合数；m_ijk表示X_i取第k个值、X_i的父节点取值为第j个组合的样本个数，m_ij表示X_i的父节点取值为第j个组合的样本个数。

根据本发明的一些实施例，所述初始化搜索半径、累计搜索半径，包括：

设置所述搜索半径为一，设置所述累计搜索半径为一。