上海市教委科研基金(05zz66)
- 作品数：8 被引量：13H指数：2
- 相关作者：王双成冷翠平唐海燕刘喜华张明更多>>
- 相关机构：上海立信会计学院青岛大学上海立信会计金融学院更多>>
- 发文基金：上海市教育委员会重点学科基金国家自然科学基金上海市教委科研基金更多>>
- 相关领域：自动化与计算机技术理学更多>>
- 无向马尔科夫毯分类器与集成
- 2008年
- 无向马尔科夫毯结构是属性和类变量之间的最重要依赖结构之一,建立无向马尔科夫毯分类器的核心是无向马尔科夫毯结构学习。针对现有无向马尔科夫毯结构学习方法具有低效率和可靠性,以及不具实用性等问题,基于贝叶斯网络理论、马尔科夫网络理论和依赖分析方法进行具有多项式复杂度的无向马尔科夫毯结构和分类器学习,来避免这些问题。并建立最优性定理、可转换定理、可靠性定理和局部化定理为其提供理论依据。同时,对小例子集情况,给出了近似学习方法,并将无向马尔科夫毯分类器扩展为联合分类器,以有效地进行小例子集分类。
- 王双成冷翠平刘凤霞
- 关键词：分类器贝叶斯网络
- 基于依赖分析的马尔科夫网络分类器学习与优化被引量：1
- 2006年
- 对可分解概率模式在0-1损失下证明马尔科夫网络分类器是最优分类器。针对目前建立马尔科夫网络分类器结构效率和可靠性低的问题,基于变量之间基本依赖关系、基本结构和依赖分析思想进行马尔科夫网络分类器结构学习来避免这些问题。并通过去除不相关和冗余属性变量的方法实现对马尔科夫网络分类器的优化,以提高抗噪声能力和预测能力。分别使用模拟和真实数据进行分类器分类准确性比较实验,实验结果显示优化后的马尔科夫网络分类器具有良好的分类准确性。
- 王双成刘喜华唐海燕
- 关键词：分类器弦图
- 基于因果语义定向的贝叶斯网络结构学习被引量：5
- 2007年
- 基于变量之间基本依赖关系、基本结构、d-separation标准、依赖分析思想和混合定向策略,给出了一种有效实用的贝叶斯网络结构学习方法,不需要结点有序,并能避免打分-搜索方法存在的指数复杂性,以及现有依赖分析方法的大量高维条件概率计算等问题。
- 王双成张明陈乃激
- 关键词：贝叶斯网络
- 贝叶斯网络中变量的最优预测被引量：2
- 2007年
- 贝叶斯网络是进行联合概率分解及研究证据传递的有效的图形模式。在贝叶斯网络中,研究变量的最优预测问题对揭示贝叶斯网络内部机制及分类器的属性选择等都具有重要意义。证明了在0-1损失下,对贝叶斯网络中任一特定变量进行预测时,联合预测是最优预测,贝叶斯网络和该变量的马尔科夫毯预测也是最优预测,同时给出了马尔科夫边界的信息结构,并使用模拟数据进行了定性与定量分析。
- 王双成程新章王振海
- 关键词：贝叶斯网络
- 具有丢失数据的TAN分类器学习
- 2008年
- TAN分类器以良好的分类性能而著称,但分类器本身和归纳学习算法并不具有处理丢失数据的能力,而现有的用于分类技术中丢失数据处理的方法在可靠性方面均不同程度地存在一些缺陷.本文针对问题,结合TAN结构和Gibbs sampling进行具有丢失数据的分类器迭代学习,在迭代中,TAN结构学习、参数学习和丢失数据修复交替进行,随着迭代的收敛,最终将得到TAN分类器,同时丢失的数据也得到修复.
- 王双成张剑飞冷翠平
- 关键词：TAN分类器丢失数据GIBBS抽样EM算法
- 操作风险等级预测的朴素贝叶斯方法研究
- 2008年
- 操作风险数据积累比较困难,而且往往不完整,朴素贝叶斯分类器是目前进行小样本分类最优秀的分类器之一,适合于操作风险等级预测。在对具有完整数据朴素贝叶斯分类器学习和分类的基础上,提出了基于星形结构和Gibbs sampling的具有丢失数据朴素贝叶斯分类器学习方法,能够避免目前常用的处理丢失数据方法所带来的局部最优、信息丢失和冗余等方面的问题。
- 王双成冷翠平侯彩虹
- 关键词：操作风险朴素贝叶斯分类器丢失数据GIBBS抽样
- 广义朴素贝叶斯分类器被引量：4
- 2007年
- 朴素贝叶斯分类器具有很高的学习和分类效率,但不能充分利用属性变量之间的依赖信息。贝叶斯网络分类器具有很强的分类能力,但分类器学习比较复杂。本文建立广义朴素贝叶斯分类器,它具有灵活的分类能力选择方式、效率选择方式及学习方式,能够弥补朴素贝叶斯分类器和贝叶斯网络分类器的不足,并继承它们的优点。
- 王双成忻瑞婵
- 具有隐藏变量的贝叶斯网络结构学习被引量：1
- 2006年
- 目前,学习具有隐藏变量的贝叶斯网络结构主要采用结合 EM 算法的打分-搜索方法,其效率和可靠性低.本文针对此问题建立一种新的具有隐藏变量贝叶斯网络结构学习方法.该方法首先依据变量之间基本依赖关系、基本结构和依赖分析思想进行不考虑隐藏变量的贝叶斯网络结构学习,然后利用贝叶斯网络道德图中的Cliques 发现隐藏变量的位置,最后基于依赖结构、Gibbs sampling 和 MDL 标准确定隐藏变量的取值、维数和局部结构.该方法能够避免标准 Gibbs sampling 的指数复杂性问题和现有学习方法存在的主要问题.实验结果表明,该方法能够有效进行具有隐藏变量的贝叶斯网络结构学习.
- 王双成刘喜华唐海燕
- 关键词：贝叶斯网络GIBBS抽样
