小样本贝叶斯网络结构学习的KDE-CGA算法

摘要：

针对小样本数据条件下的贝叶斯网络结构学习,首先利用核密度估计(Kernel Density Estimation,KDE)对小规模样本数据进行拓展,然后引用云遗传算法(Cloud Theory-based Genetic Algotithm,CGA)对贝叶斯网络结构进行学习.通过优化改进核密度函数及其窗宽提高数据拓展效果;通过将云理论引入遗传算法中,自适应地改变交叉率和变异率,避免了算法局部寻优问题.仿真结果验证了该算法的有效性.

关键词：小样本、贝叶斯网络、结构学习、核密度估计、云遗传算法

所属期刊栏目：44

分类号：TP181(自动化基础理论)

在线出版日期：2018-01-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：437-441