导读:本文包含了信度网论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:概率,人工智能,因果,算法,在线,知识,不确定性。
信度网论文文献综述
蒋方明,曾玉[1]（2010）在《信度网对于不确定知识的表达及推理》一文中研究指出不确定知识的表达及演化规律的推理是概率理论领域的热点,信度网作为其中最有效的理论模型吸引了大批的研究者。本文就信度网的知识表达和推理方式进行基础性的探索,并对其应用前景进行介绍。(本文来源于《科技信息》期刊2010年30期）
张聪,沈一栋,程克非[2]（2005）在《一种用于信度网推理的高效叁角化算法》一文中研究指出信度网是不确定性知识表达和推理的有力工具。信度网的精确推理是NPC问题,计算的主要困难在于将信度网叁角化并构造一棵最小权的join tree上。此项研究提出了一种新的叁角化算法MsLB-Triang,该算法同时利用了无向图叁角化的Direc性质与LB-单纯性质,在生成的叁角化图的总权以及增加边的数目上均明显优于目前广泛采用的Min.Weight Heuristic算法。(本文来源于《计算机科学》期刊2005年06期）
张聪[3]（2005）在《基于信度网的不确定性推理、学习与分类研究》一文中研究指出信度网是人工智能中不确定性知识表达和推理的核心方法。本论文详细研究了信度网精确推理、信度网学习和信度网分类有关内容。信度传播算法(BPA)是一种广泛用于树状信度网的精确推理算法。由于其局部计算特性,每个信度网节点可视为一个处理器进行并行运算。本文提出了一种新的BPA 计算模型,可以均衡的将计算负荷分配到实际的多处理器计算机上,从而得到一种高效的并行推理算法。一般信度网的精确推理是一个NPC 问题。算法的主要困难之处在于如何将一个图叁角化分解并构造一个最小权join tree。本文提出一种新的叁角化算法:MsLB-Triang。该算法利用叁角化图的Dirac 性质和LB-单纯性质,可以计算具有更小的总权和总填充边的叁角化分解,效果优于目前普遍采用的最小权启发式搜索算法。通过很多方法,可以从数据学习信度网结构。在利用遗传算法进行信度网结构学习时,有向无环图(DAG)的内部表示对学习效率具有重要的影响。直观的方法在整个DAG 空间中搜索最优解,一个明显的潜在问题是后代中将大量出现不可行解(例如,有环图)。本文给出一种新的编码方案,与邻接矩阵编码具有相同的空间复杂度。采用本方案编码DAG,可以保证交叉和变异操作产生的后代全部合法,从而提高了遗传算法学习信度网的效率。信度网学习可以采用批量学习和增量学习两种模式。增量学习是在现有结构上,利用新到达的数据改进信度网的结构。本文提出一种基于两条增量更新律和一个选择指标的增量学习算法。算法依据新的数据反复调整信度网结构和参数,并根据选择指标确定最优的后代结构。数值实验表明算法具有较好的学习性能。朴素贝叶斯分类器因其计算效率和分类精度高而广泛的用于机器学习中。然而,在现实世界中,很少有问题能够满足朴素贝叶斯假设,从而使得分类效果受到影响。很多分类方法适当放松朴素贝叶斯假设,提高了分类的精度,但是可能导致计算性能有较大的下降。本文基于粗糙集理论探索特征加权技术对朴素贝叶斯分类器的改进。特征加权系数直接从属性的粗糙上近似集导出,可以看作是计算每种类别的后验概率时该属性对于此计算的影响度。实验结果表明新的特征加权分类器算法(FWNB)可以达到TAN、BNTree 等精心设计的分类器的分类精度,同时计算效率和所需资源显着优于这些算法。计算机工程中,对于某些关键软件的运行状态进行自动实时监控是一个重要的应用领域。同时,在软件出现运行故障时,也需要某种方式引起系统管理员的(本文来源于《重庆大学》期刊2005-04-01）
张聪,沈一栋,张勤,刘启元[4]（2004）在《用遗传算法实现信度网结构学习:一种新的编码方案》一文中研究指出近年来,信度网已经成为表达一组随机变量间的概率关系的常见方法。在大的变量域中信度网的结构生成是信度网应用的难点。为了解决信度网的结构学习问题,一些研究者研究如何从数据集自动学习结构。本文研究采用遗传算法进行信度网结构学习时存在的问题和编码方法,并给出了一种新的信度网编码方案。数值试验显示遗传算法能够给出理想的结果。(本文来源于《计算机科学》期刊2004年12期）
沈文武,汪成亮,程克非,张勤[5]（2004）在《因果图转换为信度网的算法》一文中研究指出动态因果图理论是在信度网基础上发展起来的一种不确定推理模型,两者在知识表达上存在一定的差别,但大体结构类似,在一定的条件下可以进行相互转换。从分析信度网与因果图的知识表达方式的异同入手,最后推导出一种将因果图模型转换为信度网模型的算法,主要从构成信度网模型的两大要素———拓朴结构和条件概率表两方面的生成算法进行了推导和阐述。(本文来源于《重庆大学学报(自然科学版)》期刊2004年10期）
王洪春,石庆喜,张勤[6]（2004）在《因果图向信度网转化的方法研究》一文中研究指出在因果图理论中,采用了图形化和直接因果强度来表达知识和因果关系,它克服了贝叶斯网的一些不足,已经发展成了一个能够处理离散变量和连续变量的混合模型。但已有的因果图的推理算法还不能完全适应实际问题的需要,这大大地限制了因果图推广和使用,然而信度网研究已比较成熟,已有许多现成的算法和实用的推理软件。文中给出了从因果图向信度网转化的一般方法,包括因果图的连接强度向信度网的条件概率表转化和因果图的结构向信度网的结构转化,从而可以利用信度网的这些成果。(本文来源于《计算机仿真》期刊2004年10期）
张聪,沈一栋,刘启元[7]（2004）在《一种信度网推理的并行计算模型》一文中研究指出基于概率知识表达的信度网已成为人工智能中非确定知识表达和推理的研究热点。推理算法是信度网学习和应用的基础。该文提出了一种基于经典Polytree算法的推理计算模型。该模型表达清楚,计算过程容易控制,并能够简单地映射到并行机结构上。该文首先介绍了模型在单联通网络下的计算步骤,然后将模型引入到多联通网络上。(本文来源于《计算机工程与应用》期刊2004年29期）
刘启元,张聪,沈一栋,汪成亮[8]（2002）在《信度网结构在线学习算法》一文中研究指出提出一种新的信度网结构在线学习算法.其核心思想是,利用新样本对信度网结构和参数不断进行增量式修改,以逐步逼近真实模型.本算法分为两个步骤:首先分别利用参数增量修改律和添加边、删除边、边反向3种结构增量修改律,并结合新采集的样本,对当前信度网模型进行增量式修改;然后利用结果选择判定准则。从增量式修改所得的后代信度网集合中选择一个合适的信度网作为本次迭代结果.该结果在与当前样本的一致性和与上一代模型的距离之间达到一个合理的折衷.实验结果表明,本算法能有效地实现信度网结构的在线学习.由于在线学习不需要历史样本,且能够不断适应问题域的变化,适合于对具有时变性的领域进行信度网建模.(本文来源于《软件学报》期刊2002年12期）
邢永康,沈一栋[9]（2001）在《基于信度网的网站在线智能导航》一文中研究指出一、引言随着计算机网络的发展,网站提供的信息越来越丰富。一般将那些围绕一个中心思想的信息组织在一起,称为一个主题(Topic)。各个相关主题通过超级链接互相联系。如果用结点代表一个主题,两个主题之间的超级链接用一条有向边表示,则一个网站的信息结构可以抽象表示为一个复杂的有向图,称为网站的信息结构图。如图1就是一个信息结构图。(本文来源于《计算机科学》期刊2001年07期）
邢永康,沈一栋[10]（2001）在《基于原因独立性的信度网推理》一文中研究指出1.原因独立性假设信度网的条件概率表通常都比较大,若X有n个父结点,每个父结点有m种取值,则X的条件概率表将有m~n行。为了对其简化,研究者提出了一些简化模型,如Noisy-OR模型,Noisy-Adder模型等。这些模型的基本思想是:可以将一个结点的父结点看作是该结点的直接原因,按照人们的思维习惯,一个原因单独对结果的影响较容易估计。因此,如果假设各个原因对结果的影响相互独立,则可以简化信度网的条件概率表。这种简化处理需要解决两个问题:(本文来源于《计算机科学》期刊2001年06期）
信度网论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
信度网是不确定性知识表达和推理的有力工具。信度网的精确推理是NPC问题,计算的主要困难在于将信度网叁角化并构造一棵最小权的join tree上。此项研究提出了一种新的叁角化算法MsLB-Triang,该算法同时利用了无向图叁角化的Direc性质与LB-单纯性质,在生成的叁角化图的总权以及增加边的数目上均明显优于目前广泛采用的Min.Weight Heuristic算法。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
信度网论文参考文献
[1].蒋方明,曾玉.信度网对于不确定知识的表达及推理[J].科技信息.2010
[2].张聪,沈一栋,程克非.一种用于信度网推理的高效叁角化算法[J].计算机科学.2005
[3].张聪.基于信度网的不确定性推理、学习与分类研究[D].重庆大学.2005
[4].张聪,沈一栋,张勤,刘启元.用遗传算法实现信度网结构学习:一种新的编码方案[J].计算机科学.2004
[5].沈文武,汪成亮,程克非,张勤.因果图转换为信度网的算法[J].重庆大学学报(自然科学版).2004
[6].王洪春,石庆喜,张勤.因果图向信度网转化的方法研究[J].计算机仿真.2004
[7].张聪,沈一栋,刘启元.一种信度网推理的并行计算模型[J].计算机工程与应用.2004
[8].刘启元,张聪,沈一栋,汪成亮.信度网结构在线学习算法[J].软件学报.2002
[9].邢永康,沈一栋.基于信度网的网站在线智能导航[J].计算机科学.2001
[10].邢永康,沈一栋.基于原因独立性的信度网推理[J].计算机科学.2001
论文知识图
