计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2006年
7期
1689-1691
,共3页
张少中%章锦文%张志勇%韩美君%王秀坤
張少中%章錦文%張誌勇%韓美君%王秀坤
장소중%장금문%장지용%한미군%왕수곤
贝叶斯网络%参数学习%期望最大化算法
貝葉斯網絡%參數學習%期望最大化算法
패협사망락%삼수학습%기망최대화산법
贝叶斯网络的学习可以分为结构学习和参数学习.期望最大化(EM)算法通常用于不完整数据的参数学习,但是由于EM算法计算相对复杂,存在收敛速度慢和容易局部最大化等问题,传统的EM算法难于处理大规模数据集.研究了EM算法的主要问题,采用划分数据块的方法将大规模数据集划分为小的样本集来处理,降低了EM算法的计算量,同时也提高了计算精度.实验证明,该改进的EM算法具有较高的性能.
貝葉斯網絡的學習可以分為結構學習和參數學習.期望最大化(EM)算法通常用于不完整數據的參數學習,但是由于EM算法計算相對複雜,存在收斂速度慢和容易跼部最大化等問題,傳統的EM算法難于處理大規模數據集.研究瞭EM算法的主要問題,採用劃分數據塊的方法將大規模數據集劃分為小的樣本集來處理,降低瞭EM算法的計算量,同時也提高瞭計算精度.實驗證明,該改進的EM算法具有較高的性能.
패협사망락적학습가이분위결구학습화삼수학습.기망최대화(EM)산법통상용우불완정수거적삼수학습,단시유우EM산법계산상대복잡,존재수렴속도만화용역국부최대화등문제,전통적EM산법난우처리대규모수거집.연구료EM산법적주요문제,채용화분수거괴적방법장대규모수거집화분위소적양본집래처리,강저료EM산법적계산량,동시야제고료계산정도.실험증명,해개진적EM산법구유교고적성능.
