久久精品无码A片一区二区,日本变态强奷在线播放

內(nèi)容簡介

　　概率網(wǎng)是人工智能學(xué)科表示并處理概率知識的一類圖模型方法。多源概率網(wǎng)融合是全面進(jìn)行概率知識表示和推理研究中的重要問題。已有T作大多限于貝葉斯網(wǎng)、影響圖和可能性網(wǎng)等定量概率網(wǎng)的融合，較少考慮到概率知識只能定性表示或只需定性表示時(shí)的定性概率網(wǎng)（Qualitative ProbabilisticNetworks，QPNs）模型融合?；谏鲜鰡栴}，《多源定性概率網(wǎng)模型的融合算法研究》結(jié)合不完整數(shù)據(jù)，研究QPNs符號融合方法和i種情況下的QPNs結(jié)構(gòu)融合方法。具體內(nèi)容包括以下幾個(gè)方面。1.提出基于定性互信息的歧義性約簡方法。嚴(yán)格定義定性互信息，在此基礎(chǔ)上，提出可區(qū)分影響強(qiáng)度的增強(qiáng)QPN，并證明其性質(zhì)，給出多項(xiàng)式時(shí)間的歧義性約簡方法。2.設(shè)計(jì)并實(shí)現(xiàn)基于定性互信息的QPNSF符號融合算法。將歧義性約簡方法擴(kuò)展到多個(gè)結(jié)構(gòu)相同的QPNs符號融合中，提出QPNSF融合算法，分析了算法的時(shí)間復(fù)雜性。3.設(shè)計(jì)并實(shí)現(xiàn)具有相同節(jié)點(diǎn)的sNQPNF結(jié)構(gòu)融合算法。基于粗糙集理論，采用概率正域求解屬性依賴度作為定性影響的強(qiáng)度，解決融合時(shí)涉及的關(guān)鍵問題，提出SNQPNF融合算法，分析了算法的時(shí)問復(fù)雜性。4.設(shè)計(jì)并實(shí)現(xiàn)時(shí)序環(huán)境具有相同節(jié)點(diǎn)的TQPNF結(jié)構(gòu)融合算法。定義時(shí)變QPN（TQPN），通過考慮其中的自身環(huán)等問題，提出基于粗糙集理淪的TQPNF融合算法，分析了算法的時(shí)間復(fù)雜性。5.設(shè)計(jì)并實(shí)現(xiàn)具有不同節(jié)點(diǎn)的DNQPNF結(jié)構(gòu)融合算法。由SNQPNF算法融合思想，得出合并后的初始QPN，基于粗糙集理論，通過向其中添加缺失邊和刪除冗余邊，提出DNQPNF融合算法，分析了算法的時(shí)間復(fù)雜性。6.面向缺值數(shù)據(jù)，設(shè)計(jì)并實(shí)現(xiàn)了基于多源QPNs知識的定量參數(shù)建模算法，即貝葉斯網(wǎng)絡(luò)學(xué)習(xí)SEM.MQ算法。通過基于多源QPNs知識補(bǔ)全缺值數(shù)據(jù)，給出初始網(wǎng)絡(luò)的選取規(guī)則和候選網(wǎng)絡(luò)的優(yōu)化策略，提出SEM-MQ算法，許分析了該算法的時(shí)間復(fù)雜性和收斂性。

作者簡介

　　呂亞麗，女，博士，山西財(cái)經(jīng)大學(xué)信息管理學(xué)院副教授，碩士生導(dǎo)師，第八屆山西省很好科技工作者。2013年1月畢業(yè)于天津大學(xué)計(jì)算機(jī)應(yīng)用技術(shù)專業(yè)，獲工學(xué)博士學(xué)位。

圖書目錄

章緒論
1．1 研究背景
1．2 研究內(nèi)容
1．3 本書結(jié)構(gòu)
第2章文獻(xiàn)綜述
2．1 0PN模型
2．1．1 基本概念
2．1．2 構(gòu)造方法及問題
2．2 QPN定性推理
2．2．1 符號傳播算法
2．2．2 約簡歧義性的推理方法
2．3 定量概率網(wǎng)融合
2．4 存在的問題
2．5 本書工作思路
第3章基于定性互信息的多源QPNs符號融合算法
3．1 定性互信息
3．2 歧義性約簡
3．2．1 增強(qiáng)QPN
3．2．2 性質(zhì)分析
3．2．3 約簡算法
3．3 符號融合算法QPNSF
3．4 實(shí)驗(yàn)
3．4．1 歧義性約簡算法實(shí)驗(yàn)
3．4．2 QPNSF融合算法實(shí)驗(yàn)
3．5 小結(jié)
第4章基于粗糙集的多源QPNs結(jié)構(gòu)融合算法
4．1 粗糙集理論基礎(chǔ)
4．2 相同節(jié)點(diǎn)的結(jié)構(gòu)融合
4．2．1 歧義性約簡
4．2．2 環(huán)路消除
4．2．3 融合算法SNQPNF
4．3 時(shí)序環(huán)境相同節(jié)點(diǎn)的結(jié)構(gòu)融合
4．3．1 時(shí)變QPN
4．3．2 時(shí)變QPN學(xué)習(xí)算法LQPN
4．3．3 多時(shí)變QPNs融合算法TQPNF
4．4 不同節(jié)點(diǎn)的結(jié)構(gòu)融合
4．4．1 基本思想
4．4．2 融合算法DNQPNF
4．5 實(shí)驗(yàn)
4．5．1 SNQPNF融合算法實(shí)驗(yàn)
4．5．2 TOPNF融合算法實(shí)驗(yàn)
4．5．3 DNQPNF融合算法實(shí)驗(yàn)
4．6 小結(jié)
第5章多源QPNs知識在定量BN建模中的應(yīng)用
5．1 BN建模問題捕述
5．2 BN模型及其評價(jià)準(zhǔn)則
5．3 面向缺值數(shù)據(jù)的SEM學(xué)習(xí)算法
5．4 基于OPNs的BN模型構(gòu)建算法
5．4．1 基于QPNs知識的BN參數(shù)修正
5．4．2 基于QPNs定性知識的搜索算子
5．4．3 初始網(wǎng)絡(luò)的選擇規(guī)則及其優(yōu)化策略
5．4．4 SEM-MQ算法
5．4．5 時(shí)間復(fù)雜性和收斂性
5．5 實(shí)驗(yàn)
5．5．1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集
5．5．2 評估指標(biāo)
5．5．3 SEM-MQ與其他結(jié)構(gòu)學(xué)習(xí)算法的實(shí)驗(yàn)結(jié)果對比與分析
5．5．4 樣本量m與缺值比例r對SEM-MQ實(shí)驗(yàn)結(jié)果的影響
5．6 小結(jié)
第6章結(jié)語
縮略語
插圖索引
表格索引
附錄A部分實(shí)驗(yàn)代碼
附錄B部分最小樣本實(shí)驗(yàn)數(shù)據(jù)
參考文獻(xiàn)
后記