[发明专利]基于小数据集下的BN参数学习的目标识别方法

说明书

本发明涉及基于小数据集下的BN参数学习的目标识别方法，利用小样本数据集与定性专家经验有机结合，借助凸优化求解来提高BN参数学习精度，从而完成目标识别BN建模，最后利用目标识别BN推理结果来反映目标状态。本发明基于BN理论中学习算法和成熟的推理算法完成目标识别所需的建模和推理任务，充分利用了一些专家经验的等式和不等式约束条件，在一定程度上弥补了数据不足对参数学习精度的影响，又避免了对目标识别过程进行复杂的数学建模，所得识别推理模型具有特征参量少、学习能力强、解释性良好等优点，尤其适用于嘈杂、不确定性、动态的目标识别系统。

技术领域

本发明涉及人工智能、管理科学与工程中的目标识别应用领域，具体涉及一种基于小数据集下的BN参数学习的目标识别方法。

背景技术

贝叶斯网络(Bayesian Network，BN)是以条件概率表的形式表达结点间依赖关系的有向无环图，它将样本信息与先验知识相结合，以有向边和条件概率表的形式分别描述了变量之间定性与定量依赖关系，表达形象直观，理论基础坚实，推理能力强大，是不确定性问题建模和推理的有效工具，在处理音频识别、行为识别、人脸识别、医疗诊断、故障诊断等目标识别领域都有广泛的应用。

准确高效的学习BN参数，是有效利用BN模型解决实际问题的基础。BN的参数学习是根据确定BN的结构(有向无环图)，利用样本信息与先验知识来学习结点变量的条件概率分布(条件概率表)。目前在BN参数学习的领域已经研究发展了许多经典实用的算法，但这些方法的实现和应用都是基于大规模数据集(完备或者经补充后完备)，而在实际工程应用中，受限于环境、材料、时间等因素，很多试验往往不能够多次重复，使得能够获得的试验数据较少，样本规模很小，这样的小样本数据集里能够表达的信息不够完整，由此进行的BN参数学习的准确性和可靠性无法保证。由此衍生出基于小样本数据集的BN参数学习，即BN模型建模问题的研究。

将问题域转化为BN模型表示后，便可利用BN理论完成推理任务。其中，联合树(Junction tree)算法是目前计算速度快、应用最广的BN精确推理算法之一。BN作为解决不确定性和不完备信息问题处理的有效方法，由于其有机地结合了概率论与图论的理论成果，是可应用于目标识别的理想工具。

发明内容

本发明的目的是提供一种基于小数据集下的BN参数学习的目标识别方法，利用小样本数据集与定性专家经验有机结合，借助凸优化求解来提高BN参数学习精度，从而完成目标识别BN建模，最后利用目标识别BN推理结果来反映目标状态，提高了目标识别的准确性和有效性。

本发明所采用的技术方案为：

基于小数据集下的BN参数学习的目标识别方法，其特征在于：

利用小样本数据集与定性专家经验有机结合，借助凸优化求解来提高BN参数学习精度，从而完成目标识别BN建模，最后利用目标识别BN推理结果来反映目标状态。

所述的基于小数据集下的BN参数学习的目标识别方法，其特征在于：

具体包括以下步骤：

第1步：设置目标识别的目标属性概率阈值Ω以及BN参数学习中Dirichlet分布超参数α_ijk；

第2步：根据目标识别领域知识建立BN模型结构G；

第3步：获取目标样本数据集D；

第4步：判断BN参数θ_ijk是否已经建模；若已参数建模，则跳转至第8步；若没有参数建模则利用第5步至第7步，计算出BN模型参数θ_ijk；

第5步：根据样本数据集D统计样本量N_ijk，即样本数据中父节点状态为j、第i个节点取第k个状态的统计值；

第6步：将专家经验根据下面公式(2)和公式(3)形成约束集合ξ；