[发明专利]一种小数据集条件下结合参数先验约束的贝叶斯网络参数学习方法

摘要

本发明提供了一种小数据集条件下结合参数先验约束的贝叶斯网络参数学习方法，该方法主要包括以下步骤：步骤1：数据统计量的计算；步骤2：构造求取参数约束区域边界点的优化函数，并求取参数约束域的边界点和中心点；步骤3：选取适当的虚拟样本数A；步骤4：利用贝叶斯估计求取相应参数。本发明方法解决现有技术中小数据集条件下贝叶斯网络的参数学习在多种参数约束同时存在时参数学习精度和效率难以保证的问题。

主权项

1.一种小数据集条件下结合参数先验约束的贝叶斯网络参数学习方法,其特征在于,具体包括以下步骤：步骤1：数据统计量的计算:在小数据集条件下，通过统计获取参数学习所需的数据状态统计量N_ijk和N_ij，为之后具体的参数计算做准备；其中，N_ijk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，N_ij为数据集中节点i的父节点取值为j的样本个数；步骤2：构造求取参数约束区域边界点的优化函数，并求取参数约束域的边界点和中心点:设贝叶斯网络参数其中，参数对应的子节点状态数为m，父节点状态数为q，j₁,j₂,...,j_q为父节点的取值，k₁,k₂,...,k_m为子节点的取值；n维空间的单位基向量为e₁,e₂,...,e_n；分别利用n维参数空间的每一个单位基向量计算相应的边界点，具体的计算方法如公式(1)所示；在获取参数约束域边界点之后通过求平均的方式求取参数约束域的中心点；步骤3：选取适当的虚拟样本数A:设n为网络节点个数，p为网络中的最大父节点数，小数据集的数据量为N，N_need为学习网络参数所需的样本量；则：N_need＝n²logn²logn^p+1   (2)A＝N_need‑N   (3)步骤4：利用贝叶斯估计求取相应参数:当获得了合适的虚拟样本量A之后，结合贝叶斯估计求取相应的贝叶斯网络参数，具体为公式(4)所示：其中，θ_centre为参数约束域中心点对应的参数。