貝葉斯網(wǎng)不確定性推理研究.pdf

1、貝葉斯網(wǎng)(又稱信度網(wǎng)或因果網(wǎng))是一種基于概率推理的數(shù)學模型，它起源于人工智能領域的研究，是一種將概率統(tǒng)計應用于復雜領域、進行不確定性推理和數(shù)據(jù)分析的工具。隨著對其研究的不斷深入，貝葉斯網(wǎng)已經(jīng)成為不確定性知識表達和推理領域最有效的模型之一，并因此在很多領域有著廣泛的應用。盡管有著堅實的理論基礎，關于貝葉斯網(wǎng)在給定不確定信息下的知識合成及推理機制的研究仍然存在很多有待進一步探討的問題。本文針對這些問題，主要從事了以下幾個方面的研究：

2、　　 知識合成算法及其性質的探討?；贗PFP及其擴展C-IPFP的知識合成算法的研究已經(jīng)比較深入，然而該方法只在約束集一致時收斂。而現(xiàn)實應用中，由于海量數(shù)據(jù)的來源及獲取手段的不同，作為概率知識的約束集相互之間往往存在相互矛盾之處。為此，Vomlel提出了約束集不一致時的知識合成算法CC-IPFP、GEMA算法。而實驗結果表明，CC-IPFP和GEMA算法計算復雜度高，且收斂速度受初始值的影響很大，使得其在應用中的性能不可預測。針對該

3、種情況，本文在研究上述各算法的基礎上，提出了一種新的基于IPFP的合成算法SMOOTH，并在理論和實驗上討論了新算法的收斂性能。數(shù)值實驗結果表明，SMOOTH算法在約束集一致時，退化為標準IPFP算法；在約束集不一致時，SMOOTH算法與GEMA算法具有相同的收斂結果；且算法不受初始值的影響，收斂速度穩(wěn)定，與GEMA相比收斂速度快；同時可以調整平滑因子實現(xiàn)算法的加速收斂。
　　 對于貝葉斯網(wǎng)知識合成問題，本文在Peng和Ding

4、工作的基礎上，介紹了E-IPFP算法，并首次詳細給出了算法在概率約束集一致時的收斂性證明。由于E-IPFP是基于IPFP算法的，在約束條件相互不一致或約束條件與網(wǎng)絡結構不一致時，算法并不收斂。為此，本文將E-IPFP算法與SMOOTH算法相結合，對E-IPFP進行了改進。數(shù)值實驗結果表明，改進后的算法在概率約束集不一致時同樣能夠達到收斂，并能夠處理約束條件與網(wǎng)絡結構不一致的情況。
　　 文中詳細介紹了不確定性證據(jù)下的貝葉斯網(wǎng)信度

5、更新。首先系統(tǒng)闡述了不確定性證據(jù)的分類及各自的特點，探討了在單一證據(jù)下不同信度更新算法(Jeffrey's rule，virtual evidence method和IPFP)之間的關系。在Pan和Peng工作的基礎上介紹了多重證據(jù)下貝葉斯網(wǎng)的信度更新算法，BN-IPFP。同時對其進行了改進，使得算法不僅能夠處理多重證據(jù)下的信度更新，而且能夠解決證據(jù)不一致的問題，并在理論和實驗上驗證了改進后算法的收斂性。
　　 最后，論文討論了

6、貝葉斯網(wǎng)在語義網(wǎng)本體不確定性推理中的應用。通過擴展BayesOWL理論框架，使得其能夠將更為一般的本體(如OWL DL)轉化為貝葉斯網(wǎng)。同時通過對OWL本體語言的擴展，使其能夠描述任意以概率形式給出的關于本體的不確定性知識，并根據(jù)貝葉斯網(wǎng)知識合成算法將其合成到轉換后的貝葉斯網(wǎng)中，從而建立起關于本體的概率知識庫；通過貝葉斯網(wǎng)信度更新算法，實現(xiàn)在給定不確定性證據(jù)下的后驗概率查詢，完成了本體不確定性推理問題與貝葉斯網(wǎng)推理問題的轉化。最后實現(xiàn)了