資源描述：
《量子粒子群算法及其在貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的應(yīng)用研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、單位代碼：10293密級(jí)：公開碩士學(xué)位論文論文題目：量子粒子群算法及其在貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的應(yīng)用研究1011010435學(xué)號(hào)姓名王瑩瑩導(dǎo)師李飛教授學(xué)科專業(yè)信號(hào)與信息處理研究方向量子信息技術(shù)申請(qǐng)學(xué)位類別工學(xué)碩士論文提交日期二零一四年二月萬(wàn)方數(shù)據(jù)Quantum-behavedParticleSwarmOptimizationAlgorithmandApplyingItonLearningBayesianNetworksThesisSubmittedtoNanjingUniversityofPostsandTelecommunicationsfortheDegreeofMaster
2、ofEngineeringByWangYingyingSupervisor:Prof.LiFeiFebruary2014萬(wàn)方數(shù)據(jù)南京郵電大學(xué)學(xué)位論文原創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是我個(gè)人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。盡我所知，除了文中特別加以標(biāo)注和致謝的地方外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過(guò)的研究成果，也不包含為獲得南京郵電大學(xué)或其它教育機(jī)構(gòu)的學(xué)位或證書而使用過(guò)的材料。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均已在論文中作了明確的說(shuō)明并表示了謝意。本人學(xué)位論文及涉及相關(guān)資料若有不實(shí)，愿意承擔(dān)一切相關(guān)的法律責(zé)任。研究生簽名：_____________日期：
3、____________南京郵電大學(xué)學(xué)位論文使用授權(quán)聲明本人授權(quán)南京郵電大學(xué)可以保留并向國(guó)家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和電子文檔；允許論文被查閱和借閱；可以將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索；可以采用影印、縮印或掃描等復(fù)制手段保存、匯編本學(xué)位論文。本文電子文檔的內(nèi)容和紙質(zhì)論文的內(nèi)容相一致。論文的公布（包括刊登）授權(quán)南京郵電大學(xué)研究生院辦理。涉密學(xué)位論文在解密后適用本授權(quán)書。研究生簽名：____________導(dǎo)師簽名：____________日期：_____________萬(wàn)方數(shù)據(jù)摘要對(duì)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行學(xué)習(xí)是一個(gè)NP難解問(wèn)題，并且當(dāng)數(shù)據(jù)集比較大時(shí)用經(jīng)典算法
4、如粒子群算法和爬山算法容易陷入局部最優(yōu)值，K2算法要已知節(jié)點(diǎn)的次序，最大加權(quán)生成樹算法尋優(yōu)能力比較差。因此，本文提出一種新的方法對(duì)貝葉斯網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)學(xué)習(xí)—離散的基于二進(jìn)制編碼的量子粒子群算法，采用了貝葉斯準(zhǔn)則打分函數(shù)，并在學(xué)習(xí)的過(guò)程中引入了去環(huán)的操作，提高了搜索網(wǎng)絡(luò)的準(zhǔn)確性。在研究經(jīng)典貝葉斯網(wǎng)絡(luò)的基礎(chǔ)上，引入了量子計(jì)算的概念，研究了量子貝葉斯網(wǎng)絡(luò)及其結(jié)構(gòu)。提出一種新的量子貝葉斯網(wǎng)絡(luò)，證明其可以表示為概率幅的乘積，降低量子圖模型的運(yùn)算復(fù)雜度，主要工作如下：第一，研究了貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)，分析了一個(gè)貝葉斯網(wǎng)絡(luò)模型實(shí)例結(jié)構(gòu)及其條件概率分布。在此基礎(chǔ)上，研究了貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)。重點(diǎn)
5、研究了基于依賴分析的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)和基于評(píng)分搜索的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)，分析了現(xiàn)有一些經(jīng)典算法比如K2算法和最大加權(quán)生成樹（MWST）算法的優(yōu)勢(shì)和不足，并運(yùn)用這兩種算法仿真得到了貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)。第二，研究了兩種主要的量子粒子群算法，基于量子位概率幅的粒子群算法QPSEA與基于量子力學(xué)波函數(shù)的QPSO算法，并以八個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)的仿真實(shí)驗(yàn)結(jié)果說(shuō)明QPSO算法性能較好。針對(duì)貝葉斯網(wǎng)絡(luò)是離散個(gè)體的特點(diǎn)，提出一種改進(jìn)的量子粒子群算法-離散二進(jìn)制編碼量子粒子群算法作為貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)算法。第三，針對(duì)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的特點(diǎn)，運(yùn)用提出的改進(jìn)算法對(duì)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行學(xué)習(xí)。為了提高結(jié)構(gòu)
6、學(xué)習(xí)的準(zhǔn)確性，提出一種新的去環(huán)操作。并將本文算法學(xué)習(xí)得到的網(wǎng)絡(luò)結(jié)構(gòu)與粒子群算法、K2算法和MWST算法學(xué)習(xí)得到的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行比較，證明了本文算法能夠?qū)W習(xí)出最優(yōu)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，并且相比于其余三種算法擁有較高的學(xué)習(xí)效率和準(zhǔn)確性。第四，將經(jīng)典貝葉斯網(wǎng)絡(luò)和量子計(jì)算理論相結(jié)合，研究了兩種類型的量子貝葉斯網(wǎng)絡(luò)，并對(duì)其性質(zhì)進(jìn)行研究。為了更直觀地描述量子貝葉斯網(wǎng)絡(luò)，降低計(jì)算復(fù)雜度，提出了一種新的量子貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。并證明了如何給量子貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的每個(gè)節(jié)點(diǎn)分配概率幅度。類比于經(jīng)典貝葉斯網(wǎng)絡(luò)，證明了量子貝葉斯網(wǎng)絡(luò)也可以表示成概率幅度的乘積。最后給出了量子貝葉斯網(wǎng)絡(luò)將來(lái)的應(yīng)用方向。關(guān)鍵詞:
7、貝葉斯網(wǎng)絡(luò)、結(jié)構(gòu)學(xué)習(xí)、量子粒子群算法、量子貝葉斯網(wǎng)絡(luò)I萬(wàn)方數(shù)據(jù)AbstractSincelearningBayesiannetworksfromdataisaNP-hardproblem,especiallywhenthesetofdataisbig,theprocessoflearningBayesiannetworksstructureispronetofallintoprematureconvergenceandobtainalocaloptimalBayesiannetworksunderPar
