[发明专利]一种基于粒子群优化算法的增量贝叶斯网学习系统

说明书

本发明属于网络优化技术领域，公开了一种基于粒子群优化算法的增量贝叶斯网学习系统，包括数据采集模块、数据处理模块、中央控制模块、拓扑结构确定模块、参数学习模块、优化模块、输出模块以及存储模块。本发明将粒子群算法应用于贝叶斯网络学习中，并模拟现实中数据增长的环境，将普通的一次性学习过程改为增量学习过程，使网络模型的结构和参数随时间动态更新，以适应新数据的不断到来。本发明通过计算参与寻优的粒子适应度值，更新每层基本基本结构及参数的惯性权值，使得在参与寻优的粒子较少时，避免寻优获取的个体最优值对应的粒子趋于具有共同特征值的粒子，从而避免获取的最优粒子的最优解误差偏大，提高了最优解的准确性。

技术领域

本发明属于网络优化技术领域，尤其涉及一种基于粒子群优化算法的增量贝叶斯网学习系统。

背景技术

目前：贝叶斯网络(Bayesian network，BN)理论为不确定性知识的表示、节点间复杂关系的表达和信息融合推理提供了有效的模型框架。然而，与其它图形化模型学习方法类似，BN也存在研究对象节点增加导致候选结构数量呈指数级增长的问题。因此，从大规模候选结构集合中快速、准确地获得一个与数据样本匹配程度最优的结构模型是BN结构学习亟待解决的问题之一。

在现实世界中很多数据是由数据源持续性、增量式生成的，增量学习是以新数据顺序更新学习结果的在线学习过程，它不丢弃已有学习结果，而是不断地利用新数据更新和求精已经学习到的结果，很适合处理这类情况。近年来，很多学者研究了贝叶斯网的增量学习方法。但传统贝叶斯网增量学习方法往往假定目标概率分布不变，但领域问题本身时常固有动态变化特性，当目标概率分布发生变化时，已有学习方法难以有效处理。

通过上述分析，现有技术存在的问题及缺陷为：现有的贝叶斯网学习方法效率不佳，精度不佳。

发明内容

针对现有技术存在的问题，本发明提供了一种基于粒子群优化算法的增量贝叶斯网学习系统。

本发明是这样实现的，一种基于粒子群优化算法的增量贝叶斯网学习系统，所述基于粒子群优化算法的增量贝叶斯网学习系统包括：

数据采集模块、数据处理模块、中央控制模块、拓扑结构确定模块、参数学习模块、优化模块、输出模块以及存储模块；

数据采集模块，与中央控制模块连接，用于采集获取相应的网络训练样本数据；

中央控制模块，与数据采集模块、数据处理模块、拓扑结构确定模块、参数学习模块、优化模块、输出模块以及存储模块连接，用于利用单片机或控制器控制各个模块正常工作；

所述利用单片机或控制器控制各个模块正常工作包括：

通过灰色模型进行控制；所述灰色模型是由一组灰色微分方程组成的动态模型，建立所述灰色模型GM(1,1)模型，所述建模包括：

X⁽⁰⁾为原始非负数据序列：X⁽⁰⁾＝[x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n)]，对X⁽⁰⁾进行一次累加生成操作，得到X⁽⁰⁾的1-AGO序列，X⁽¹⁾＝[x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n)]，其中，

对序列X⁽¹⁾进行紧邻均值生成操作，得到X⁽¹⁾的紧邻均值生成序列Z⁽¹⁾，其中z⁽¹⁾(k)＝0.5[x⁽¹⁾(k)+x⁽¹⁾(k-1)],k＝1,2,...,n；