資源描述：
《貝葉斯網(wǎng)絡(luò)研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、中國科學(xué)院計(jì)算技術(shù)研究所博士學(xué)位論文貝葉斯網(wǎng)絡(luò)研究姓名：黃友平申請(qǐng)學(xué)位級(jí)別：博士專業(yè)：計(jì)算機(jī)軟件與理論指導(dǎo)教師：史忠植20050607摘要貝葉斯網(wǎng)絡(luò)是研究不確定性問題的重要方法之一．它基于概率和統(tǒng)計(jì)理論，具有堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)。由于具有自然的表達(dá)方式、強(qiáng)大的推理能力和方便的決策機(jī)制等許多優(yōu)點(diǎn)，貝葉斯網(wǎng)絡(luò)在許多領(lǐng)域得到了廣泛的應(yīng)用．本文在貝葉斯網(wǎng)絡(luò)基礎(chǔ)理論框架的基礎(chǔ)上，主要研究了以下幾個(gè)方面的內(nèi)容：基于信息幾何理論的貝葉斯網(wǎng)絡(luò)研究、樸素貝葉斯分類器的提升、規(guī)則方法與貝葉斯網(wǎng)絡(luò)結(jié)合文本信息抽取研究、層次貝葉斯網(wǎng)絡(luò)文本分類器．本文的主要貢獻(xiàn)
2、如下：(1)分析了貝葉斯網(wǎng)絡(luò)這一特殊類型的概率分布簇所對(duì)應(yīng)的統(tǒng)計(jì)流形的特點(diǎn)：由于貝葉斯網(wǎng)絡(luò)引入了條件獨(dú)立性，從而降低了流形的維度，簡化了統(tǒng)計(jì)流形上的Riemman度量矩陣。提出了基于信息幾何理論的不完備數(shù)據(jù)條件下貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)算法：貝葉斯網(wǎng)絡(luò)的自然梯度學(xué)習(xí)算法(NGBN)．推導(dǎo)出了離散型、連續(xù)型、條件Gaussian網(wǎng)、父節(jié)點(diǎn)連續(xù)而子節(jié)點(diǎn)離散等不同的貝葉斯網(wǎng)絡(luò)類型其自然梯度的計(jì)算公式．通過理論分析和試驗(yàn)，說明了自然梯度學(xué)習(xí)比歐式梯度學(xué)習(xí)更合理，更快速。(2)提出了一種通過在原有屬性的基礎(chǔ)上重新構(gòu)造屬性集，從而提高屬性問的條件
3、獨(dú)立性的方式來提高樸素貝葉斯分類器性能的新方法：基于Fisher分構(gòu)建樸素貝葉斯分類器(FS--NBC)。新屬性集的分量為貝葉斯網(wǎng)概率分布函數(shù)的對(duì)數(shù)對(duì)每個(gè)分布參數(shù)的偏微分。我們證明了在一定條件下，經(jīng)過Fisher分映射后得到的新屬性集是條件獨(dú)立的，并從理論上分析了對(duì)于無先驗(yàn)信息的多項(xiàng)分布和原屬性集已經(jīng)是條件獨(dú)立的情況下新屬性集的獨(dú)立性。試驗(yàn)表明該方法較好地提高了樸素貝葉斯分類器的性能．(3)提出了一種新的文本信息抽取算法：結(jié)合規(guī)則的動(dòng)態(tài)貝葉斯信息抽取網(wǎng)(RDBIEN)．在半結(jié)構(gòu)化文本抽取任務(wù)中，主要有兩種技術(shù)手段：一種是基于規(guī)則的
4、方法，另一種是基于概率的方法?；谝?guī)則的方法是處理確定性問題的重要手段，它具有充分吸取專家經(jīng)驗(yàn)和更為直觀、更易于獲得的優(yōu)點(diǎn)。而基于概率的方法則更魯棒，性能更高。我們把規(guī)則方法與貝葉斯網(wǎng)絡(luò)相結(jié)合，既保持了概率方法的魯棒性等優(yōu)點(diǎn)，又結(jié)合了規(guī)則方法在吸取專家經(jīng)驗(yàn)等方面的優(yōu)點(diǎn)．試驗(yàn)表明該算法具有較高的抽取性能。(4)提出了基于主題詞樹的貝葉斯文本層次分類算法．對(duì)于Web文本分類問題，存在文本的類別數(shù)太多、相對(duì)獲得大量有標(biāo)注的訓(xùn)練數(shù)據(jù)成本較高、特征維數(shù)太高從而使模型訓(xùn)練非常復(fù)雜等難點(diǎn)．本算法通過對(duì)同一主題詞的子主題詞的合并，有效地降低了文本
5、特征詞的維數(shù)，強(qiáng)化了關(guān)鍵維的作用．此算法不僅降低了訓(xùn)練的復(fù)雜度，而且有效提高了樣本的質(zhì)量，降低了噪聲數(shù)據(jù)對(duì)分類的影響，從而可以在類別數(shù)太多而樣本數(shù)相對(duì)較少的情況下獲得較滿意的分類精度。關(guān)鍵詞：貝葉斯網(wǎng)絡(luò)；條件獨(dú)立關(guān)系：樸素貝葉斯分類器；動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)：信息幾何：統(tǒng)計(jì)流形；Riemman度量：Fisher信息矩陣：Fisher分；信息抽?。阂?guī)則方法；文本分類；主題詞樹；層次分類ResearchonBayesianNetworkHuungYouping(ComputerSoftware&Theory)DirectedByProfess
6、orShiZhongzhiAbstractBayesiannetwork(BN)isoneofthemostimportantmethodsofdealingwithuncertaintyproblems．Ithascompletemathematicsupportandisbasedontheprobabilisticandstatisticstheory．Becameofitsnaturalknowledgerepresentation,powerfulreasoningability,aswell勰convenientdec
7、ision-makingmechanism,itisappliedinmanydomainsnOW．AfterintroducingthetheoryframeworkofBayesiannetwork,thispapercarriedoutthefollowingresearch：researchingBayesiannetworkbasedoninformationgeometrytheory,improvingtheperformanceofnaiveBayesianclassificationfN-BC)，retrievi
8、nginformationfromsemi-structuredtextusingrulesembeddeddynamicBayesiannetwork,andhierarchicaltextclassificationmodelbasedonBa
