廖学清
- 作品数：4 被引量：9H指数：1
- 供职机构：苏州大学计算机科学与技术学院更多>>
- 发文基金：国家教育部博士点基金江苏省自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 数据缺失下学习贝叶斯网的SEM算法被引量：8
- 2009年
- 针对SEM算法易收敛于局部最优的问题,提出一种改进SEM算法——DSEM-PACOB算法,采用PACOB算法提供的良好候选网络及合理的策略,估计节点变量缺失值,并使与待估节点变量紧密相关的若干节点变量直接参与估计。实验结果表明,与SEM算法相比,利用新算法获得的最终解的质量有所提高,且具有更好的稳定性。
- 廖学清吕强单冬冬
- 数据缺失下学习贝叶斯网的一种混合启发方法被引量：1
- 2008年
- 建立了具有数据缺失训练集下学习贝叶斯网的一种混合启发方法:SGS-EM-PACOB算法。它基于打分-搜索方法,利用GS和EM数据补全策略分别得到学习所需要的统计因子,并将两者联合起来作为PACOB算法的启发因子。实验证明,SGS-EM-PACOB算法充分保留GS和EM两者的优点,促使算法能够平稳地收敛到理想结果。相对于只具有单一数据补全策略的算法,该算法不仅在度量数据拟合程度的Logloss值上保持稳定,而且在学习到的贝叶斯网络结构上也有改进。
- 廖学清吕强
- 试析数据缺失下学习贝叶斯网中初始网络的选择
- 本文基于 Structural EM 等相关算法,选择具有代表性的网络作为初始网络,对其在数据缺失情况下学习贝叶斯网中所扮演的角色进行了实验性的探讨。从比较充分详实的实验结果中本文得到一重要结论,即训练数据集规模足够大和...
- 廖学清吕强
- 关键词：缺失数据ACO
- 文献传递
- 数据缺失下学习贝叶斯网的研究
- 本文对数据缺失和网络结构未知情况下学习贝叶斯网问题进行了相关研究，并提出了几个有趣有效的解决方案。
首先，利用并行策略下的PACOB算法提供良好候选网络结构，并借此构造新的SGS-PACOB和SEM-PACOB...
- 廖学清
- 关键词：贝叶斯网
- 文献传递
