1.选题的目的和意义 进入到21世纪以来,人们对于人工智能领域的研究取得了极大的进步。

作为表示不确定性知识的一种重要方法,贝叶斯网络已经成为了人工智能研究中的热点和重要成果之一,建立有效的贝叶斯网络结构也是学习和应用贝叶斯网络的基础和核心。

贝叶斯网络是一种概率图形模型,它提供了不确定性环境下的知识表示、推理、学习手段,可以完成决策、诊断、预测、分类等任务,已广泛应用于数据挖掘、语音识别、工业控制、经济预测、医疗诊断等诸多领域。

贝叶斯网络将概率理论和图论相结合,为解决不确定性问题提供了一种自然而直观的方法。

贝叶斯网络由于具有图形化的模型表示形式、局部及分布式的学习机制、直观的推理;适用于表达和分析不确定性和概率性的事物;能够对不完全、不精确或不确定的知识或信息中做出有效的推理等特性,而成为目前不确定知识表达和推理领域最有效的模型之一。

如何通过有效的方法和算法利用现实数据学习贝叶斯网络,并准确地表达蕴含在数据中有价值的信息是目前图形模式与数据挖掘领域中的研究的热点和难点。

贝叶斯网络的学习主要包括:结构学习和参数学习,通过网络结构与数据集可以确定参数,因此结构学习是贝叶斯网络学习的核心,有效的结构学习方法和算法是构建最优网络结构的基础。

在对贝叶斯网络全面概述的基础上,深入研究了贝叶斯网络的结构学习。

在贝叶斯网络结构方面,以传统的专家知识构建结构为代表的方法已经逐渐被通过数据学习结构的方法取代。

然而,由于可能的网络结构数多,会导致搜索空间巨大。