计算机工程与科学

作者：郭文强, 寇馨, 李梦然, 侯勇严, 肖秦琨

单位：1.陕西科技大学电子信息与人工智能学院，陕西 西安 710021；2.陕西科技大学陕西省人工智能联合实验室，陕西 西安 710021；3.陕西科技大学电气与控制工程学院，陕西 西安 710021；4.西安工业大学电子信息工程学院，陕西 西安 710021

关键词：贝叶斯网络,小数据集,变权重融合,参数学习,

基金：国家自然科学基金(62071366,61271363);陕西省科技厅重点研发计划(2020SF-286);陕西省教育厅产业化研究项目(18JC003);西安市科技计划(2019216514GXRC001CG002GXYD1.1)

针对小数据集情况下贝叶斯网络（BN）参数学习结果精度较低的问题，分析了小数据集情况下BN参数变权重设计的必要性，提出一种基于变权重融合的BN参数学习算法VWPL。首先根据专家经验确定不等式约束条件，计算参数学习最小样本数据集阈值，设计了随样本量变化的变权重因子函数；然后根据样本计算出初始参数集，通过Bootstrap方法进行参数扩展得到满足约束条件的候选参数集，将其代入BN变权重参数计算模型即可获取最终的BN参数。实验结果表明，当学习数据量较小时，VWPL算法的学习精度高于MLE算法和QMAP算法的，也优于定权重学习算法的。另外，将VWPL算法成功应用到了轴承故障诊断实验中，为在小数据集上进行BN参数估计提供了一种方法。

来源：2022年第5期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2022年第5期