[发明专利]一种基于增强学习算法的双层贝叶斯网络推理算法

摘要

本发明提供一种基于增强学习算法的双层贝叶斯网络推理算法，包括以下步骤步骤S1、初始化节点的增强学习概率表；步骤S2、分别更新横轴方向和纵轴方向上的条件选择概率的；步骤S3、对横轴的取值组合和纵轴的节点进行判断，删除冗余的取值组合和节点。本发明的基于增强学习算法的双层贝叶斯网络推理算法通过建模双层网络参数之间的概率依赖关系，根据已知网络状态推理分析后续网络状态，并采用增强学习的算法对推理的过程中所获取的网络节点的不确定信息进行学习和判断，进而对其进行分级，得到其概率信度值，进一步将得到的双层贝叶斯网络模型进行简化，只保留其中对推理最有用的信息，使其更利于实现和精准推理。

主权项

一种基于增强学习算法的双层贝叶斯网络的网络认知方法，其特征在于，所述双层贝叶斯网络包括顶层贝叶斯网络、底层贝叶斯网络集合以及顶层贝叶斯网络节点与底层贝叶斯网络集合间的对应关系；使用贝叶斯网络来描述网络节点之间的对应关系；所述基于增强学习算法的双层贝叶斯网络的网络认知方法至少包括以下步骤：步骤S1、通过双层贝叶斯网络中的贝叶斯网络节点的替换，得到相关节点的条件依赖表，进而在横轴和纵轴两个方向建立相关节点的增强学习概率表，初始化的增强学习概率表即为所述条件依赖表，其中，所述横轴表示某个节点所依赖的网络节点的所有取值组合以及各个取值组合所对应的条件选择概率，纵轴表示某个节点所依赖的网络节点集合中的各个特定的节点以及各个特定的节点对所述节点的选择影响程度，所述选择影响程度也用一个条件选择概率表示；步骤S2、在横轴方向，对所述节点所依赖的网络节点的所有取值组合进行环境的评估，利用环境的反馈信息和取值组合本身的知识，进行条件选择概率的更新；在纵轴方向，对所述节点所依赖的网络节点集合中的各个特定的节点进行环境的评估，利用环境的反馈信息和节点本身的知识，进行条件选择概率的更新；步骤S3、在横轴方向，通过相关的学习过程之后，最后得到所述节点所依赖的网络节点的各个取值组合的条件选择概率；如果某些取值组合的条件选择概率小于第一阈值，那么认为所述取值组合的信息就是冗余的，将其从所述增强学习概率表中删除；在纵轴方向，通过相关的学习过程之后，最后得到所述节点所依赖的网络节点集合中的各个特定的节点的条件选择概率；如果某些节点的条件选择概率低于第二阈值，那么认为所述节点的信息是冗余的，将其从所述增强学习概率表中删除。