小样本贝叶斯网络结构学习的KDE-CGA算法
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.
小样本、贝叶斯网络、结构学习、核密度估计、云遗传算法
44
TP181(自动化基础理论)
2018-01-24(万方平台首次上网日期,不代表论文的发表时间)
共5页
437-441