[发明专利]一种无先验知识条件下基于小数据集的贝叶斯网络参数学习方法

摘要

本发明公开了一种无先验知识条件下基于小数据集的贝叶斯网络参数学习方法，属于计算机技术领域。该方法首先获取数据统计量，而后根据小数据集的数据量和待求参数的状态个数确定虚拟样本量，利用最大似然估计方法计算待求的参数，对同一分布条件下的参数进行排序，找出较小的参数；最后计算贝叶斯网络参数。本发明针对无先验知识时小数据集条件下的贝叶斯网络参数问题，通过在引入虚拟统计量来提高小数据集条件下的参数学习精度，克服了现有方法对先验知识的依赖问题，不仅为小数据集条件下的参数学习问题提供了一条可行的解决途径，而且也为其它领域中的小数据集建模问题提供了可参考的方法，具有较为广泛的应用前景。

主权项

1.一种无先验知识条件下基于小数据集的贝叶斯网络参数学习方法，其特征在于，包括入戏步骤：步骤1：获取数据统计量：在小数据集条件下，通过统计获取参数学习所需的对应的状态统计量Nijk和Nij，其中，Nijk表示数据集中节点i取值为k，且其父节点取值为j的样本个数，Nij为数据集中节点i的父节点取值为j的样本个数；步骤2：根据小数据集的数据量和待求参数的状态个数确定虚拟样本量：设待求参数为θijk，其中k有r种取值状态，设数据量为N，则Nneed＝n2logn2lognm+1                           (1)α1＝α2＝L＝αr＝Nneed‑N                          (2)其中，n为网络节点个数，m为网络种的最大父节点数，Nneed为学习网络参数所需的样本量可由公式(1)计算得到，α1,α2Kαr分别表示同一分布条件下，即父节点取值相同时的一组参数对应的虚拟样本量；步骤3：利用最大似然估计方法计算待求的参数，具体通过利用公式(3)求解：步骤4：对同一分布条件下的参数进行排序，找出较小的参数；步骤5：根据步骤4得到的同一分布条件下的参数大小排序，设所得参数排序为按照从小到大的顺序分别利用公式(4)计算贝叶斯网络参数，其中表示同一分布条件下的参数：