点击次数：
所属单位：自动化学院
发表刊物：系统工程与电子技术
关键字：贝叶斯网络;权重判别参数学习;量子行为粒子群;混沌映射序列;
摘要：针对贝叶斯网络判别学习方法在处理大数据集时,存在的模型训练时间长、算法迭代次数过多等问题,通过引入指数级参数,提出了混沌量子粒子群的权重类条件贝叶斯网络参数学习方法。该方法首先通过优化对数似然函数,解决生成学习的参数估计问题。然后,使用生成学习的结果,初始化判别学习的参数。最后,引入混沌映射序列,通过混沌量子粒子群优化(chaos quantum particle swarm optimization,CQPSO)算法,优化条件对数似然函数。使用权重类条件贝叶斯网络分类器对液体火箭发动机的故障进行分类,仿真结果表明,改进的方法分类精度高,误分类率低。同时,采用CQPSO与量子粒子群优化(quantum particle swarm optimization,QPSO)算法、标准粒子群优化(particle swarm optimization,PSO)算法相比,能够有效减少算法的迭代次数,提高算法的效率。
ISSN号：1001-506X
是否译文：否
发表时间：2019-07-11
合写作者：丁晓彬,郑锐,王彪,刘海阳,王志胜
通讯作者：刘久富