-
题名基于因果效应的贝叶斯网络结构学习方法
被引量：11
- 1
-
-
作者
安宁
滕越
杨矫云
李廉
-
机构
合肥工业大学国家智慧养老国际科技合作基地
合肥工业大学计算机与信息学院
-
出处
《计算机应用研究》
CSCD
北大核心
2018年第12期3609-3613,共5页
-
基金
安徽省重点研究与开发计划资助项目(1704e1002221)
国家自然科学基金青年基金资助项目(61502135)
国家高等学校学科创新引智计划资助项目(B14025)
-
文摘
从数据中学习贝叶斯网络结构是一个NP-hard问题,提高网络结构学习算法精度是研究的重难点。基于Pearl的因果理论,提出了一种贝叶斯网络结构学习方法,提升了现有算法的准确率。利用改进的Pearl因果效应和BDe评分,学习网络节点优先次序,利用K2算法学习初始网络,并通过BDe评分反向调节、互信息和BDe评分删除边以修正学习结果。实验在贝叶斯网络标准数据集ASIA、ALARM上进行,在样本量为2000～20 000的20组实验中,学习准确率较MMHC算法平均提升16%,准确率标准差较MMHC算法平均缩小17%。实验表明,基于因果效应的方法较MMHC算法有更好的性能。
-
关键词
贝叶斯网络
阿尔茨海默病
K2算法
因果效应
BDe评分
互信息
-
Keywords
Bayesian network
Alzheimer＇s disease
K2 algorithm
causal effect
BDe scoring-function
mutual information
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
-
题名融合单纯形映射与熵加权的聚类方法
被引量：4
- 2
-
-
作者
安宁
江思源
唐晨
杨矫云
-
机构
合肥工业大学国家智慧养老国际科技合作基地
合肥工业大学计算机与信息学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2020年第9期148-155,共8页
-
基金
安徽省重点研究与开发计划(No.1804b06020378,No.1704e1002221)
国家高等学校学科创新引智计划(“111”)(No.B14025)。
-
文摘
由于分类型和数值型属性特性的差异,设计混合类型数据聚类算法时通常需要对两种类型属性区别对待,增加了聚类算法的设计与实现难度。另外,不同属性所包含的信息量存在差异,但现有算法通常平等对待各个属性。提出了一种融合单纯形映射与信息熵加权的混合类型数据聚类算法。基于单纯形理论将分类型属性映射为高维数值属性向量,应用信息熵理论为各属性分配权重建立相似性度量公式,将该度量方法应用于K-Means算法框架得到聚类算法。在6个UCI的混合数据集上的实验表明,提出的聚类算法优于传统映射聚类算法和K-Prototype算法,在准确度上分别提高了2.70%和18.33%。
-
关键词
向量映射
熵加权
相似性度量
混合数据集
聚类分析
-
Keywords
vector mapping
entropy-based weight
similarity measurement
mixed datasets
clustering analysis
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
