[发明专利]稀缺样本数据集条件下BN模型参数的计算方法

说明书

本发明涉及稀缺样本数据集条件下BN模型参数的学习系统及方法，步骤包括：获取领域定性约束知识和稀缺样本数据集；依据所述领域定性约束知识和自助法，获得满足多组约束的BN参数集；采用传统参数学习方法计算出所述稀缺样本数据集条件下BN模型的初始参数；根据所述满足多组约束的BN参数集和所述初始参数，计算所述稀缺样本数据集条件下BN模型的参数。本发明可通过领域定性约束知识和稀缺样本数据集来学习到稀缺样本数据集条件下BN模型的初始参数，从而避免了现有方法学习结果的不精确性和复杂性的问题，能够实现在稀缺样本数据集条件下通过便捷的方法获得精确的BN模型的参数，从而扩展了人工智能算法的应用范围。

技术领域

本发明涉及人工智能算法领域，具体涉及一种稀缺样本数据集条件下BN模型参数的计算方法。

背景技术

随着人工智能的不断发展，各种人工智能算法得到人们的广泛关注。由于贝叶斯网络(Bayesian network，BN)在解决复杂系统的不确定性和不完整性问题凸显出强大的适应性，并且成功应用于智能系统所涉及的众多领域，因此备受关注，尤针对BN模型的参数学习。

BN模型的参数学习是指在BN模型结构已知的前提下估算出BN模型参数的问题。目前，常见的参数学习方法包括最大似然估计(Maximum Likelihood Estimation，MLE)、最大后验估计(Maximum A Posterior，MAP)以及定性最大后验概率方法(Qualitative MaximumA Posterior，QMAP)等(Rui Chang，Wei Wang.Novel algorithm for Bayesian networkparameter learning with informative prior constraints.Proceedings of the2010International Joint Conference on Neural Networks.Barcelona，Spain：IEEE，2010，1-8.)。其中，MLE适用于充足样本数据集条件下的BN模型参数学习，且学习结果具有较高的精度；最大后验估计融入了要估计量的先验分布，故最大后验估计可以看做规则化的最大似然估计。QMAP是随稀缺样本数据集条件下BN模型参数学习应运而生的。QMAP方法将定性领域知识定义为条件概率上的不同约束不等式集合，结合训练数据进行BN参数学习。

在实际中，某些系统中获取大量样本数据非常困难或者代价十分昂，人们仅仅能获得样本量较小的数据集，例如地震预测、航空发动机故障诊断系统中的样本数据等。当所研究的系统为上述稀缺样本数据集系统时，由于MLE和MAP并未考虑先验专家定性约束经验，若利用MLE以及MAP方法往往无法学习出符合客观规律且较为精确的参数；若采用QMAP方法，其运算过程中的估算满足约束的候选模型所需的逼近似然函数较难选取，且整体运算过程复杂，限制了该方法的实用性。

发明内容

本发明的目的是提供一种稀缺样本数据集条件下BN模型参数的计算方法，更精确、更简单的计算出稀缺样本数据集条件下BN模型参数。

本发明所采用的技术方案为：

稀缺样本数据集条件下BN模型参数的计算方法，其特征在于：

包括以下步骤：

获取领域定性约束知识和稀缺样本数据集；

依据所述领域定性约束知识和自助法，获得满足多组约束的BN参数集；

采用传统参数学习方法计算出所述稀缺样本数据集条件下BN模型的初始参数；

根据所述满足多组约束的BN参数集和所述初始参数，计算所述稀缺样本数据集条件下BN模型的参数。

依据所述领域定性约束知识和自助法，获得满足多组约束的BN参数集的具体步骤包括：

将所述领域定性约束知识转化为不等式参数约束集合；