系统工程与电子技术
繫統工程與電子技術
계통공정여전자기술
SYSTEMS ENGINEERING AND ELECTRONICS
2014年
2期
272-277
,共6页
小样本%单调性约束%保序回归%最大似然估计
小樣本%單調性約束%保序迴歸%最大似然估計
소양본%단조성약속%보서회귀%최대사연고계
small sample%monotonic constraint%isotonic estimator%maximum likelihood estimation (MLE)
针对小样本条件下的离散贝叶斯网络参数学习问题,提出一种基于单调性约束的学习算法.首先,给出了单调性约束的数学模型,以表达定性的先验信息;然后,将单调性约束以狄利克雷先验的形式集成到贝叶斯估计中,并利用贝叶斯估计进行参数学习;最后,通过仿真实验与最大似然估计和保序回归方法进行比较.实验结果表明,在小样本条件下,所提算法在准确性上优于最大似然估计和保序回归,但时效性介于二者之间.
針對小樣本條件下的離散貝葉斯網絡參數學習問題,提齣一種基于單調性約束的學習算法.首先,給齣瞭單調性約束的數學模型,以錶達定性的先驗信息;然後,將單調性約束以狄利剋雷先驗的形式集成到貝葉斯估計中,併利用貝葉斯估計進行參數學習;最後,通過倣真實驗與最大似然估計和保序迴歸方法進行比較.實驗結果錶明,在小樣本條件下,所提算法在準確性上優于最大似然估計和保序迴歸,但時效性介于二者之間.
침대소양본조건하적리산패협사망락삼수학습문제,제출일충기우단조성약속적학습산법.수선,급출료단조성약속적수학모형,이표체정성적선험신식;연후,장단조성약속이적리극뢰선험적형식집성도패협사고계중,병이용패협사고계진행삼수학습;최후,통과방진실험여최대사연고계화보서회귀방법진행비교.실험결과표명,재소양본조건하,소제산법재준학성상우우최대사연고계화보서회귀,단시효성개우이자지간.