小型微型计算机系统
小型微型計算機繫統
소형미형계산궤계통
MINI-MICRO SYSTEMS
2014年
2期
374-378
,共5页
动态贝叶斯网络%Dempster-Shafer理论%基因调控网络%改变点过程%马尔可夫蒙特卡罗
動態貝葉斯網絡%Dempster-Shafer理論%基因調控網絡%改變點過程%馬爾可伕矇特卡囉
동태패협사망락%Dempster-Shafer이론%기인조공망락%개변점과정%마이가부몽특잡라
dynamic Bayesian networks%Dempster-Shafer theory%gene regulatory networks%changepoint process%Markov chain Monte Carlo
受数据数量、质量、实验设计、噪音和测量误差的影响,单一数据源所含的信息是有限的.通过单一的数据源推测并构建网络,往往面临着数据的信息量不够充分.另一方面,传统的动态贝叶斯网络模型要求数据是平稳的.但在现实中,非平稳的情况不容忽视.于是我们提出了一个基于多源数据融合学习非平稳动态贝叶斯网络的算法.该算法首先通过Dempster-Shafer证据理论对多种数据源进行融合获得先验知识,然后利用改变点过程把整个非平稳过程分解成若干平稳子片断,最后运用可逆跳跃马尔可夫蒙特卡罗抽样算法学习连续动态贝叶斯网络的结构.在仿真数据和实验数据上测试该算法,并与其他学习方法进行比较,发现该算法提高了重构网络的精度.
受數據數量、質量、實驗設計、譟音和測量誤差的影響,單一數據源所含的信息是有限的.通過單一的數據源推測併構建網絡,往往麵臨著數據的信息量不夠充分.另一方麵,傳統的動態貝葉斯網絡模型要求數據是平穩的.但在現實中,非平穩的情況不容忽視.于是我們提齣瞭一箇基于多源數據融閤學習非平穩動態貝葉斯網絡的算法.該算法首先通過Dempster-Shafer證據理論對多種數據源進行融閤穫得先驗知識,然後利用改變點過程把整箇非平穩過程分解成若榦平穩子片斷,最後運用可逆跳躍馬爾可伕矇特卡囉抽樣算法學習連續動態貝葉斯網絡的結構.在倣真數據和實驗數據上測試該算法,併與其他學習方法進行比較,髮現該算法提高瞭重構網絡的精度.
수수거수량、질량、실험설계、조음화측량오차적영향,단일수거원소함적신식시유한적.통과단일적수거원추측병구건망락,왕왕면림착수거적신식량불구충분.령일방면,전통적동태패협사망락모형요구수거시평은적.단재현실중,비평은적정황불용홀시.우시아문제출료일개기우다원수거융합학습비평은동태패협사망락적산법.해산법수선통과Dempster-Shafer증거이론대다충수거원진행융합획득선험지식,연후이용개변점과정파정개비평은과정분해성약간평은자편단,최후운용가역도약마이가부몽특잡라추양산법학습련속동태패협사망락적결구.재방진수거화실험수거상측시해산법,병여기타학습방법진행비교,발현해산법제고료중구망락적정도.
