[发明专利]基于自适应变权重的BN参数学习算法及其应用

说明书

本发明提供了一种基于自适应变权重的BN参数学习算法，首先根据小样本数据量的变化，设计了调整样本数据和定性约束扩展参数的权重系数，然后进行自适应加权融合计算得出BN参数学习结果，解决在小数据集情况下贝叶斯网络参数学习的问题。本发明提出的基于自适应变权重的BN参数学习算法在小数据集下进行BN参数学习时，能够随着数据量的变化自适应调整样本量和定性约束参数的权重，进而优化参数学习的结果，提高了学习精度，该算法应用在轴承故障诊断中也展现出其优异的可行性和实用性。

技术领域

本发明属于人工智能算法技术领域，具体涉及一种基于自适应变权重的BN参数学习算法及其应用。

背景技术

随着贝叶斯网络(Bayesian network,BN)理论的不断深入研究，其应用范围越来越广泛，如故障的诊断、经济领域的预测以及医学诊断等都可以通过BN来进行参数学习，但很多时候数据不足导致无法学到更精确的结果。

当样本数据集充足时，最大似然估计法(Maximal Likelihood Estimate,MLE)能很好实现BN参数估计，但是当样本数据较少时，该方法就不能更精确地去估计参数；定性最大后验概率(Qualitative MaximumAPosterior,QMAP)方法对满足定性约束的参数集合通过拒绝-接受算法进行虚拟采样，再将真实数据和虚拟数据结合估计BN 参数，但拒绝-接受算法以概率分布函数估计为基础，实际问题中BN 参数的概率分布函数较难估计，限制了该方法的应用。丁建华、张忠占提出一种单调约束估计算法(monotonic constraintestimation algorithm,MCE)，利用单调约束模型学习参数，当训练数据不足时，将领域知识引入参数学习过程中，虽然该方法也提高了参数学习的精度，但实际应用中单调约束的假设不易给定(详见：丁建华，张忠占. 单调约束条件下部分线性模型的Bernstein多项式估计(英文)[J].应用概率统计，201，30(04)：381-397.)。另有学者提出一种基于定性知识和进化策略的约束参数进化学习算法(CPEL)，首先在BN参数学习过程中引入定性知识，以减小参数搜索空间，然后引入进化策略，避免结果陷入局部最优，但该算法在解决参数优化问题中存在收敛结果不稳定的缺陷。定性约束扩展BN参数的方法可以把定性的专家经验转化为不等式约束，并利用Bootstrap算法生成满足约束的一组BN 参数候选集(详见：郭文强,李然,侯勇严,高文强.约束条件下BN参数最大熵模型扩展学习算法[J].计算机应用研究,2019,36(2):132-137.)，但该方法得到的BN参数过分依赖专家经验，不能根据数据集大小的变化情况，自动调整参数估计中各学习数据集的权重系数，影响了最终参数估计的准确性。

发明内容

为了克服以上方法的缺陷，并且更好地解决样本数据较少时进行参数学习的问题，同时能够在实际应用中更方便地去估计参数，并得到稳定的参数学习结果，本发明通过引入变权重思想将样本数据和领域定性知识结合起来去进行参数估计，使得在样本数据较少的情况下，也可以有效地提高BN参数学习的精度。

基于上述目的，本发明提出一种基于自适应变权重的BN参数学习算法，是根据小样本数据量的变化，自适应调整样本数据和定性约束扩展参数的权重系数，进行变加权融合计算得出BN参数学习结果，解决在小数据集情况下贝叶斯网络参数学习的问题。

具体地，本发明所述的基于自适应变权重的BN参数学习算法包括，

建立参数学习模型结构；

获取计算参数学习模型所需的最小样本数据集阈值；

确定参数学习模型的不等式约束条件；

计算初始参数集；

进行参数扩展得到满足约束条件的候选参数集；

根据设计的变权重因子函数，自适应地确定合适的变权重因子；