[发明专利]一种基于粒子群优化算法的增量贝叶斯网学习系统

权利要求书

1.一种基于粒子群优化算法的增量贝叶斯网学习系统，其特征在于，所述基于粒子群优化算法的增量贝叶斯网学习系统包括：

数据采集模块、数据处理模块、中央控制模块、拓扑结构确定模块、参数学习模块、优化模块、输出模块以及存储模块；

数据采集模块，与中央控制模块连接，用于采集获取相应的网络训练样本数据；

中央控制模块，与数据采集模块、数据处理模块、拓扑结构确定模块、参数学习模块、优化模块、输出模块以及存储模块连接，用于利用单片机或控制器控制各个模块正常工作；

所述利用单片机或控制器控制各个模块正常工作包括：

通过灰色模型进行控制；所述灰色模型是由一组灰色微分方程组成的动态模型，建立所述灰色模型GM(1,1)模型，所述建模包括：

X⁽⁰⁾为原始非负数据序列：X⁽⁰⁾＝[x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n)]，对X⁽⁰⁾进行一次累加生成操作，得到X⁽⁰⁾的1-AGO序列，X⁽¹⁾＝[x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n)]，其中，

对序列X⁽¹⁾进行紧邻均值生成操作，得到X⁽¹⁾的紧邻均值生成序列Z⁽¹⁾，其中z⁽¹⁾(k)＝0.5[x⁽¹⁾(k)+x⁽¹⁾(k-1)],k＝1,2,...,n；

得到GM(1,1)的灰色微分方程：x⁽⁰⁾(k)+az⁽¹⁾(k)＝u，以及相应的白化方程：其中，a为发展系数，u为灰色作用量；

进行a、u的求解：采用最小二乘法其中，Yn＝[x⁽⁰⁾(2)x⁽⁰⁾(3)...x⁽⁰⁾(n)]T；白化方程的解为相应的灰色微分方程的时间响应序列为：即k时刻的值

对序列进行累减生成操作，即累加生成的逆运算，记为IAGO，可得预测序列其中，

k+d时刻的预测值为：d为系统滞后时间；

拓扑结构确定模块，与中央控制模块连接，用于基于预处理后的样本数据进行增量式结构学习，得到贝叶斯网络的拓扑；

参数学习模块，与中央控制模块连接，用于基于处理后的训练样本，结合方法份贝叶斯网络的拓扑进行参数学习，得到所述贝叶斯网络的参数；

优化模块，与中央控制模块连接，用于利用粒子群优化算法对得到的贝叶斯网络拓扑结构以及参数进行优化，得到最优贝叶斯网络。

2.如权利要求1所述基于粒子群优化算法的增量贝叶斯网学习系统，其特征在于，所述基于粒子群优化算法的增量贝叶斯网学习系统还包括：

数据处理模块，与中央控制模块连接，用于对采集的相应的训练样本数据进行预处理；

输出模块，与中央控制模块连接，用于输出得到的最优的贝叶斯网络及相应参数；

存储模块，与中央控制模块连接，用于利用存储器存储处理的相应数据得到的最优贝叶斯网络及相应参数。

3.如权利要求1所述基于粒子群优化算法的增量贝叶斯网学习系统，其特征在于，所述利用粒子群优化算法对得到的贝叶斯网络拓扑结构以及参数进行优化，得到最优贝叶斯网络包括：

(1)将等效为粒子的备选解随机分配至多层基本结构以及参数中，每层基本结构包括至少一个粒子；

(2)计算所述粒子的适应度值，更新所述每层基本结构以及参数的惯性权值，并依据所述适应度值及所述惯性权值更新各粒子速度值和各粒子位置值；

(3)判断所述每层基本结构以及参数中的各个粒子是否满足预设变异规则，对所述满足所述变异规则的粒子进行变异处理；依据所述适应度值、所述各粒子速度值及所述各粒子位置值获取最优粒子；

(4)判断所述最优粒子是否满足预设的选取规则，如果是，获取所述最优粒子中的最优解，否则，依据所述适应度值及所述惯性权值重新更新所述每层基本结构各粒子速度值和各粒子位置值，并依据所述适应度值及所述重新更新的各粒子速度值和各粒子位置值，获取最优粒子，即为最优贝叶斯网络结构及参数。