临床推理研究(通用6篇)
临床推理研究 篇1
《数学课程标准(2011年版)》指出:“推理是数学的基本思维方式,也是人们学习和生活中经常使用的思维方式。推理能力的发展贯穿于数学学习过程中。”对于数学,本质上有两种推理模式,分别是合情推理和演绎推理。合情推理是命题内涵由小到大的推理,是一种从特殊到一般的推理,通过合情推理得到的结论是或然的。演绎推理是命题内涵由大到小的推理,是一种从一般到特殊的推理,通过演绎推理得到的结论是必然的。
推理作为一种基本数学思想是“不可教”的,小学生推理能力的培养蕴涵在数学知识形成、发展和应用的过程中。因而,教师惟有在教学中设计适当的学习活动,讲究教学方法,引导学生通过观察、联想、计算、归纳、类比、画图、表达等活动,经历知识形成及问题解决的思维过程,明晰思考问题的路径和方法,通过丰富数学活动经验来逐步建构推理模型,才能使学生真正地学会“数学地思考”。
一、合情推理能力的培养:经历过程,感悟思想
合情推理是从已有的事实出发,凭借经验和直觉,通过归纳和类比等推断某些结果的推理模式,主要包括不完全归纳推理、类比推理和统计推理。它是以观察、体验多个事例、活动后所获得的经验为根据,归纳出一些概括性原则的思维过程,在数学学习中用于形成知识、归纳法则和发现规律等,是小学生进行数学学习的一种主要的思维模式。
1.精选素材引发直观与类比。数学知识的形成依赖于直观,数学知识的确立依赖于推理。小学数学中,计算法则、定律、性质等数学知识大多都是通过不完全归纳推理和类比推理形成的,这一推理模式的思维基础是直观与联想。不完全归纳推理是以某类事物中部分对象的判断为前提,推断出这一类事物全体对象的判断结论的推理。而类比推理是以关于两个事物某些属性相同的判断为前提,推出两个事物的其他属性相同的结论的推理。概括地说,这两类合情推理均以某些判断为前提,由直观与联想引发猜想,最终形成一般结论。在数学教学中,如能精选适当的教学素材便会有利于学生引发数学直观,激活思维,提出猜想,形成结论。
2.问题驱动展开探究与归纳。让学生在有限的课堂教学时间内经历人类数学形成和发展的过程,经历数学知识“再创造”的过程,对于数学教学来说是一个不小的挑战。因而,我们必须以恰当的情境和适切的问题引领探究活动,让学生能够快速地定位研究的切入点,并顺着一定的方向、带着问题进入情境,有效地获取活动情境所承载的数学信息展开探究活动。再者,合情推理的探究活动和其他数学内容的教学相比,学生的主体地位更加突出,自主性更加明显,个性化更加强烈,适切的问题能较好地激发学生数学探究的主观能动性,提升创造能力。
3.深入引导促进观察与比较。数学规律常常不是显而易见的,需要通过观察、比较和归纳逐步发现。在呈现具体实例之后,教师巧妙而又深入的点拨引导能为学生的观察和比较指引方向,帮助学生提取和组织关键信息,进而对初步形成的表象进行“精加工”,最终得出结论。
二、演绎推理能力的培养:掌握方法,发展思维
演绎推理是从假设和定义出发,按照某些规定了的法则所进行的、前提与结论之间有必然联系的推理。三段论是演绎推理的基本模式,包括大前提、小前提和结论三部分,三部分之间具有严格的逻辑关系和传递关系。在小学数学中,虽然没有运用演绎推理进行严格证明的内容,但计算、判断和解决问题等的思维活动大多是演绎推理。
1.借助正推反证发展思维严谨性。先看这样一个教学实例:学生在学习简便运算后,计算812-57+43这一题会错误地算成812-(57+43)。经过调查分析可知,学生主要存在两类错误原因。(1)学生已知运算律为:a-b-c=a-(b+c),但在计算这题时受到数据特征影响,将812-57+43误看成812-57-43。分析推理过程如下:如果用A表示“所有的连减算式”,用B表示“某一个连减算式”,用Ω表示这条运算律,那么正确的推理关系式:B,然而,这一题中的B为“812-57+43”,BA,因此推理不成立。(2)学生自认为有运算律:a-b+c=a-(b+c),这种情况中大前提是错误的,因此推理不成立。可见,正确的大前提和正确的包含关系才能建立具有传递性的推理过程。
在连减运算律的教学中,一方面通过算理分析建立正确的计算规律,另一方面我们也可以引导学生继续探究形如a-b+c的运算规律,得出a-b+c=a-(b-c),通过两式对比进一步抽象规律,从而打破减法运算律的单一性,弥补认知的缺失。与此同时,反推验证也不失为演绎推理训练的一种方法。运用假言推理:如果可以算成812-(57+43),则个位为2,而原式812-57+43的个位为8,产生矛盾,因此这样推算不正确。
数学的思维方式是人类各种思维方式中最为精细的也是最为精确的一种,从过程到结论,都必须是确定无疑的。在小学数学教学中,由于小学生年龄特征的限制,小学数学教材里的数学知识未必是严密的,也不要求每一个结论都用严格的逻辑证明来实现,但在学习过程中仅依靠合情推理得出结论是远远不够的。教学实践中要确立“推理与证明”的意识,始终保持严谨思考的要求,理解演绎推理的必要性,能有条理地思考并表达自己的思考过程,做到言之有理,落笔有据。
2.借助图示表格发展思维逻辑性。数学命题的核心是叙述研究对象之间的关系。如果将能将隐性的推理关系显性化、可视化,能有助于学生在头脑中将概念之间的关系形成层级式表征,明晰各对象之间的关系,深入关系的本质,理解并运用推理思维开展数学活动。如苏教版小学数学第七册教材中一道比较复杂的三步计算实际问题:王大伯第一天收获30筐土豆,共重750千克,第二天比第一天多收获10筐。照这样计算,第二天收获多少千克?这一题可以列表分析如下:
显然,在填写表格的过程中数量关系经过了整理,“筐数”与“质量”这两类数量建立了对应关系,便于学生根据已知条件推理中间量,而在填写“第二天”的筐数时将推理步骤转移到表格上,无形中降低了思维难度,对于思维能力不强的学生来说就有了思考的“拐棍”。
还可以利用关系图辅助推理:
或者运用线段图:
在图中,一段表示10千克,通过比较能发现,第二天多了这样的一份,还可以这样解答:750+750÷(30÷10)。从这个实例可以看出,以图示表格作为思维工具,不仅能展示条件之间的显性关系,发展思维的条理性,还能挖掘条件之间的隐性关系,发展思维的逻辑性和创造性。
3.借助数学语言发展思维条理性。引导学生想清思考过程,并用准确的数学语言表达,能让学生加强对数学命题的理解和运用。小学阶段的演绎推理一般用口头语言、简单的数学关系式和计算算式等来表达。例如,506000、50600、500600这三个数比较大小时,有序思考才能有序表达:先比较位数,50600是五位数,506000和500600是六位数,50600的位数比它们少,所以是最小的;506000和500600两个数位数相同就从最高位比起,最高位相同再比下一位,千位上6>0,所以506000>500600。
可见,以上问题解决的过程均以演绎推理的方式逐步展开,每一步之间都有一定的逻辑关系,环环相扣。这一类逻辑严明的演绎推理题例,我们不仅要给予学生充足的时间思考,还应给予学生充足的时间表达。教师可以让学生先自己说,然后跟同学说,再面向全班说。“自我语言”除了有表达的功能以外,还有策划的功能。这个过程学生回顾反思演绎推理的过程,当用口头语言或书面语言进行表达时,思维又经历了一次“再加工”,于是不仅锻炼了数学表达的能力,优化了表达的方式,更促进了思维的条理性和“元认知”的发展。
临床推理研究 篇2
回溯推理的另类研究
回溯推理可分为一般回溯推理和特殊回溯推理,一般回溯推理是或然性推理,特殊回溯推理是必然性推理,回溯推理是一种独特的推理形式,在一定程度上丰富了推理的内容.
作 者:王源生 作者单位:湖南公安高等专科学校,政教部,湖南,长沙,410006刊 名:湘潭师范学院学报(社会科学版)英文刊名:JOURNAL OF XIANGTAN NORMAL UNIVERSITY(SOCIAL SCIENCE EDITION)年,卷(期):24(4)分类号:B81关键词:回溯推理 一般回溯推理 特殊回溯推理 因果联系情况 条件关系
基于案例推理的研究综述 篇3
1 CBR的基本原理
CBR是一种新兴的学习机制和推理方法,以已有的经验和案例为知识单位进行存储,核心思想是利用过去解决问题的经验来解决新问题。本文将从CBR的知识表示和案例提取,改编等对CBR的基本原理做介绍。
1.1 知识的表示
CBR中主体知识是以案例的形式存储的,因此如何表示和存储案例和案例特征是CBR中至关重要的环节。
都柏林大学的Doyle等人提出在XML中表示CBR的相似度及其测度方法[1]。在此之前,该研究小组已经构建了一个基于XML的CBR语言———CBML,用于表示案例本身。他们近期的研究主要对CBML进行扩展,用以表示案例相似度测量知识。该扩展将两个特征值间的相似度量分为3类:精确匹配、复杂的相似度匹配以及基于差异度的匹配。CBR的XML表示为CBR技术进一步发展,尤其是网络应用的发展,开辟了很好的道路。
台湾学者在构建智能FAQ代理服务系统中,提出支持本体(ontology)的CBR方法,将本体论观点与CBR技术结合:利用本体论观点表示案例的层次结构及其特征向量,根据本体中VRelationship关系类型搜索相似案例,并进行相应的案例改编。
1.2 案例提取,改编及维护
CBR中案例提取是利用相似度原理进行的。也就是从案例库中找到与问题的特征值向量最相似的案例。在搜索相似案例时,很多基于“距离”的相似度计算方法已经被采用,“距离”越大,说明相似度越小。
案例改编采用差异驱动的策略方法。通过对案例各分量特征的不同对比生成新的案例。另外:Corchado等人将模糊逻辑应用于案例改编的自动化实现上。方法的基础是一系列TSK模糊(Takagi Sugeno Kang fuzzy)模型的集合,这些模糊模型用于指导案例改编。简化的模糊规则库允许用户获取一个系统中更一般化的知识以及对系统的逻辑结构有更为深刻的了解。
案例库维护是通过聚类算法实现的:算法思想是将传统的聚类算法应用于CBR系统中,用于案例库索引、案例增加和删除操作。利用K-means聚类算法对案例库分析,将原始案例库划分为若干案例子库,并以子库的聚类中心和算法产生的0类案例(不属于任何聚类的案例)作为案例库索引。在保持系统推理效能的前提下,最大限度地减少案例库中的案例。该方法为案例库维护提供了一条有效途径。
2 CBR在国内外的应用
2.1 在计算机和信息科学中的应用
在垃圾邮件的判定上使用CBR技术。由于垃圾邮件的内容格式不断的改变,CBR的增量式学习机制能够很好的满足这一要求。研究者使用IG评判提取出垃圾邮件的标志特征。在案例提取时,找到最接近的案例,根据垃圾邮件的评判标志来判断是否是垃圾邮件。文章还将CBR算法与纯Bayes文本分类算法进行比较。结果显示CBR在垃圾邮件判断条件的不断学习上有较强的优势。
利用CBR进行Web服务整合。CBR在其中主要用于Web服务发现,这在整个整合过程中是一个关键步骤。案例库中的每个案例代表一个以前整合过的服务,而服务是以树型结构表示其层次包含关系。在案例提取时,首先将要整合的服务分解为各个子服务,并且在服务组成的树型结构上与问题查询对应的约束进行比较,计算相似度,从而提取出最满意的服务组合模型,也就是服务的发现过程。在此之后,系统利用UDDI服务路径在Web上寻找具体的服务,并使用服务组合器进行实际的整合操作。此外,CBR在知识管理、电子商务和协同商务等方面也实现了一些具体的应用。
2.2 在生物学及医学上的应用
分子生物学中,可以利用CBR以及现有的蛋白质结晶条件数据库进行分析,对蛋白质结晶方法作出规划[7]。还有DNA序列研究、蛋白质三维结构确定等。然而,现有生物数据库大多针对某一特定领域,数据过于片面(例如只存储实验成功数据),不能很好适应机器学习和CBR系统的应用,并且,对异质的和分布式的生物学数据库联合分析的要求逐渐增加。
CBR还用于多种疾病诊断[6]。由于多种疾病可能涉及不同器官系统,以及具有复杂的判断条件,因此传统的CBR方法不能很好应用。研究者采用3种改进措施有效地将CBR方法应用于多种疾病及并发症的诊断上,为CBR系统能够在大范围医疗领域的应用开辟了新路。
2.3 在企业管理中的应用
在企业管理方面[8],利用CBR的相似度量方法,判断获得的新知识是否应当存储到企业知识库中,然而研究者没有提出明确的方案,对于这些企业知识如何利用CBR来实现对现实问题的解决。此外,技术投资判断、市场选择与分析、供应商管理等方面也出现了比较成熟的CBR应用;在工业设计上,出现了很多成熟的基于CBR的CAD和CAM软件产品,并已成功应用。
3 结束语
CBR作为新兴的AI推理技术,近年来在理论和应用方面都有了长足发展,并且出现了很多成熟的CBR系统和CBR开发工具。根据以上所述CBR理论和应用研究进展,可以预测未来CBR发展方向主要集中在以下几个方面:(1)作为CBR推理环节之一和研究难点之一,案例改编算法仍有待进一步发展;(2)CBR用于专家系统结果的解释以及基于CBR的解释系统的研究;(3)CBR与其它人工智能推理和学习方法的有效结合和应用;(4)CBR在各个行业的进一步的应用,实现具体的成熟的智能系统。
摘要:该文对人工智能领域的一个分支——基于案例的推理技术做了简要概述,包括CBR的原理和组成。评述了CBR近年来的理论发展和应用发展。并对未来发展方向做出了预测。
关键词:基于案例的推理,基于案例的解释,专家系统
参考文献
[1]Lorcan Cotyledonal Doyle,Pádraig Cunningham.Representingsimilarity for CBR in XML[C].Advances in Case-Based Reasoning(Proc of ECCBR-04).Madrid,Spain:Springer,2004:119-127.
[2]Yang S Y,Liao P C,Ho C S.An ontology-supported case-basedtechnique for FAQ[C].Taipei,Taiwan:Proc17th InternationalConference on Software Engineering and Knowledge Enginee-ring,2005:639-644.
[3]S rmo F,Aamodt A.Knowledge communication and CBR[C].Proceedings of the ECCBR-02Workshop on Case-Based Reaso-ning for E-ducation and Trainging Aberdeen Scotland:RobertGordon University,2002:47-59.
[4]Eva Armengol,Enric Plaza.Using symbolic descriptions to ex-plain similarity on CBR[J].Artificial Intelligence Research andDevelop-ment,2005,131:239-246.
[5]Conor Nugent,Pádraig Cunningham.A case-based explanationsystem for black-box systems[J].Artificial Intelligence Review,2005(24):163-178.
[6]Atzmueller M,Shi W,Baumeister J,et al.Case-based approaches for diagnosing multiple disorders[C].Miami Beach,FL:Proceedings of the17th International Florida Artificial Intelli-gence Research Society Conference,2004.
[7]张建华.企业知识管理中的系统学习机制[J].华东经济管理,2006,20(9):87-90.
隐含与推理-广告语篇研究 篇4
隐含与推理-广告语篇研究
隐含是广告语篇中普遍使用的.一种用于操纵广告受众以达到促销目的的语言策略.广告的隐含性是由其功能、情景和交际特点决定的,同时这种隐含性也决定了广告推理的语用向度.在评述Harris(1983,)广告推理研究的基础上,采用含意理论和关联理论作为分析框架,构建广告语篇推理的类型模式,并且用该模式进行实例分析.
作 者:李桔元 LI Ju-yuan 作者单位:湖南科技大学,外国语学院,湖南,湘潭,411201刊 名:湖南科技大学学报(社会科学版) PKU英文刊名:JOURNAL OF HUNAN UNIVERSITY OF SCIENCE & TECHNOLOGY(SOCIAL SCIENCE EDITION)年,卷(期):200710(1)分类号:H0关键词:广告语篇 隐含 推理
并行推理体系结构研究 篇5
传统的对推理技术的研究和推理机的研究和推理问题的识别与控制,大多数采用的是非单调处理方法、串行方法,在单个CPU上执行,采用的推理策略为正向推理、反向推理以及正反向混合推理。这种单一的处理模式对解决一些特定领域的、知识库比较小的、复杂度比较低的问题,发挥了一定的作用。但随着待解决的问题的复杂度增加,推理空间常呈指数率增长,常规的单一串行处理模式已不能满足这种需求。而且,单核的处理速度也已经达到了极限[1]。
为了解决以上问题,就需要有很大的存储器和高度的并行化来处理大量的推理。近几年来,处理器也从传统的单核向双核、多核发展,Intel公司和AMD公司先后发布了双核与四核处理器,Sun公司为服务器也发布了八核的UltraSPARC处理器,这为并行处理提供了良好的硬件环境。
所以,采用并行技术来加速推理及处理各种智能问题已成为一种迫切的要求。研究并行推理,将首先研究并行推理的核心技术之一:并行推理体系结构。这将有效地解决串行推理中的问题。同时,也将达到两个主要目标:一是提高推理的速度;二是提高推理的精度,也就是提高可靠性。
1几种并行推理体系结构
采用何种并行推理结构,将对推理效率产生重要的影响。目前所讨论的并行推理主要是在并行分布式环境下进行的。分布式环境是:节点在逻辑上统一而在物理上分散的一种环境。分布式环境中的每个节点具有以下特点:1)每个节点包括领域有限知识、群体任务规划调度的有限知识、预测其它节点的有限知识;2)能把复杂问题分解为若干子问题;3)能与其它节点进行通信与协作。通过分布式系统中各组成部分相互协作、并行工作等手段,来提高整个系统的工作速度和工作效率[1,2,3]。
1.1星形结构
星形结构是指中心节点控制多个外围节点进行推理。见图1。
其工作原理是:中心节点把推理任务划分成多个子任务,把知识库分解成多个子知识库,并分配到各个外围节点上进行并行推理。
优点是简单、易构建、易维护。
缺点是可靠性低。一旦中心节点出现故障,则整个推理将不能进行。
1.2环形结构[2]
环形结构是指各节点形成一个封闭的环进行并行推理。见图2。
其工作原理是:各节点有自己独立的任务和知识库,彼此间通过环进行通信来并行处理。环形结构适合系统的节点分布在一个相互之间距离并不远的区域,而且节点上用户之间独立性较大且使用权相当。各节点之间可以通过互传信息的方式讨论问题或请求帮助(协助),最终的裁决权仍在本节点。(总线结构的工作原理和环形结构类似)。
优点是简单、易构建、易维护。
缺点是可靠性差,当某一节点出现故障,则易引起整个系统不能运行;而且,环形结构(总线结构类似)都没有“黑板”,要讨论问题比较困难(此时可通过广播的方式向所有节点发消息来弥补这个缺陷)。
1.3立方体结构[3]
立方体结构是指在三维空间中的六面体结构。可看成是由多个环组成的一种结构。见图3。
其工作原理是:在该结构中,初始化时,随意选定一个节点作为主控节点,负责整个系统的任务分配,通信管理。
优点是具有较高的可靠性,单个节点的失效不影响整个系统的运行。
缺点是构建结构比较困难。
1.4主从式结构[4]
主从式是指由一台独立的主机控制多台从机进行并行推理,在此模式下的消息传递主要在从机与从机之间进行。见图4。
其工作原理是:主机首先把获得的推理任务进行分解,划分成多个子任务,同时也将规则库和知识库进行分解。分解规则库和知识库的原则是让它们与分解后的子任务相配套,形成一个个的子规则库和子知识库。然后主机将分解好的子任务和配套的子规则库、子知识库分配到各从机,由从机完成后面的推理任务。
优点是易构建、易维护。
缺点是主机除了在开始的时候需要将任务、规则、知识库进行分解,在推理过程中还要协调各从机间的通信,处理各从机传递到的消息和数据。这样,随着需要推理的问题的复杂度、数据量加大,主机的负担将大大加重。推理过程中更多时间将是等待主机处理各种数据、消息,从机在这些时间里完全地处于闲置状态。整个推理的效率将明显制约于主机的性能。
1.5层连分级式结构[4,5]
层连分级式是指:推理架构被分为多个级别,按层次互相连接。见图5。
其工作原理是:该结构是对主从式的一种改进,在主机和从机之间加入了伪主机这一层级,变成三层结构。主机处于树形结构中的根节点,具有绝对权限,对伪主机和从机进行协调、管理、并获得最终的推理结果。伪主机处于中间节点,具有相对权限,从属于主机,也具备完整的知识库和规则库,可以进行任务、规则库、知识库的分解,分配给从机,对从机进行管理、协调。从机处于叶子节点,仅能进行推理,受主机和伪主机的管理。
优点是在一定程度上缓解了主机的压力。
缺点是加大了主机与从机之间的通信开销。同时,伪主机虽然拥有全部的知识库、规则库,能进行详细的子任务分解,但也增加了伪主机的压力。
1.6轮形辐射式[6]
轮形辐射式是指:星形结构和环形结构的一种组合结构,也是一种多处理器分布式系统。见图6。
其工作原理是:中心节点是整个系统的控制中心,管理整个系统的通信,分配和调度需要处理的任务,并调用一个或借个处理单元来处理复杂度较高的任务。
优点是结构灵活、较高的可靠性。当中心节点出故障时,系统可由外围的环状来运行;当外围节点某一个出现故障,此结构又可变为星形结构来运行。
缺点是构建这种结构相对比较复杂。
2一种新型并行推理体系结构
作者所在实验室的KAMADUO机器人具有独特的分布式结构和功能。该机器人总体结构为:一个中心控制计算机,四个以上执行计算机。KAMADUO机器人原型见图7,KAMADUO并行推理结构图见图8。
KAMADUO并行推理结构是一个独特的结构,既能组合成星形或环形进行并行推理,又可在三维空间结构中动态组合进行并行推理,完成问题求解。对该结构分析如下:
环形结构(7种):
底层组合(4种):
① B、C、D;② B、C、E;③ B、D、E;④ C、D、E。
顶层和底层组合(3种):
⑤ A、B、D;⑥ A、B、C;⑦ A、B、E。
星形结构(C、D、E节点不连接):
① B、C、D、E。
轮形辐射式结构(C、D、E节点相连):
① B、C、D、E。
立方体结构:
① A、B、C、D;② A、B、C、E;③ A、B、D、E;④ A、B、C、D、E。
总之,根据推理任务的情况、知识库的大小,可灵活选择节点来组成环形、星形、轮形
辐射、立方体等结构来进行并行推理。
实验证明:该结构灵活方便,可靠性高,在运行中,当某一节点发生故障,系统仍能维
持运行。所以,该结构具有较高的可靠性。
3总结
本文在分析了常见的几种并行推理结构的基础上,介绍了一种新型的机器人并行推理结构,具有较好的理论意义和现实意义,将对分布式系统、智能决策系统、智能信息处理系统提供新的理论方法和技术。
摘要:并行推理是人工智能、信息处理等研究领域的一个重点,受到高度重视。首先概括了并行推理的几种体系结构,并分析了各自的优缺点,然后介绍了一种新型的移动机器人并行推理结构,最后验证了这种结构的正确性、可靠性、高效性。
关键词:人工智能,并行推理,移动机器人
参考文献
[1]冯健翔.人工智能及其航天应用概论(上、下).北京:宇航出版社,1999
[2]陈国良.并行算法——结构.算法.编程.北京:高等教育出版社,2004
[3](美)Dongarra J,Fox G,Kennedy K,等.并行计算导论.莫则尧,陈军,曹小林,等译,北京:电子工业出版社,2005
[4]李磊,韩卫,崔岷,等.层连分级式并行推理架构.科学技术与工程,2006:6(17):2762—2765
[5]覃征,康继昌.并行推理技术研究.航空学报,1997:18(5):635—636
贝叶斯网络推理算法研究 篇6
现代大型复杂系统的贝叶斯网络结构也是庞大复杂的,对于诊断推理存在困难。因此在进行诊断推理前,应适当地对其网络结构进行简化。本文采用分簇优化联合树算法对贝叶斯网络结构进行简化处理及推理运算,下面介绍分簇优化联合树算法及其用于网络参数学习及诊断推理算法。
1 分簇搜索算法基本思想
用于故障诊断的贝叶斯网络的结构是非常复杂的,并且由于其结构的复杂性致使故障诊断推理也非常复杂,因此,通过贝叶斯网络结构学习,寻找一个与训练数据拟合度高且网络复杂性相对较低的网络结构成为一个非常有意义和研究价值的问题。由式可知,n个变量构成的贝叶斯网络结构的数目是指数级的,要从这些可能存在的网络结构空间中搜索出最优的网络结构也是很难的。当n=10时,需要搜索的模型个数就已经达到约为4.17*1018,可见搜索空间太大,为了缩小搜索空间,有效地找到最优解,一个较好的搜索算法就非常必要。
贝叶斯网络结构的学习实际就是优化搜索的问题。基于分簇的优化搜索方法就是将问题节点划分为团簇结构。团簇结构思想最早用于物理和化学领域中对分子和原子的处理,而在近代,团簇结构在许多领域得到了广泛的应用,包括模式识别,数据分析,图像处理等。许多学者都在这方面做出了研究,旨在发现能够用于更好聚类方法的簇结构,不同的网络拓扑结构对于分簇算法都是不同的。人工智能越来越多地研究这种方法,使之成为一种较为优秀的搜索算法。基于簇的搜索方法被证实较好地用于解决TSP问题。这种方法的主要优势在于不会陷入局部最优,并且搜索时间非常短。
分簇算法的基本思想是把网络结构中的节点划分为若干个簇,簇内依据某种事先约定的值进行连接,在簇与簇之间,也根据这种约定进行点与点之间的连接,这里设定一个阀值,节点间的关联程度大于这个阀值时就连接这两个节点,最终基于簇的这种搜索算法将形成一个团簇树状结构。
基于簇的结构学习算法是由初始的贝叶斯网络结构经过优化搜索构造出用于诊断的树形结构。设用于该算法的阀值为θ,由当前信息得到相关节点的关联程度为θij,表示第i个节点和第j个节点的关联程度,设两个数据结构D 1,D 2分别存放局部网络的起始参数节点表和目标节点表,首先把网络的所有节点都放入D 1表中。具体的步骤如下:
步骤1:随即选取一个起始节点V1,比较与V1相关的各个节点的θ1k值,若θ1k≥0,则将V1和Vk划分到一个簇S1内,把簇S1中的节点都从D1表中移出,放入表D2中。
步骤2:如果D1为空表,则转到步骤4。
步骤3:在D1表中随即选取一个节点Vn,比较与Vn相关的各个节点,分两种情况:
(1)若无关联节点,则将Vn单独划分到簇S2中,并将节点Vn从表D1中移出,放入表D2中,转入步骤2。
(2)若有关联的节点,且关联值为θnm,若θnm≥0,则将Vn和Vm划分到一个簇S2中,把簇S2中的节点从D1表中移出,放入表D2中,转入步骤2。
步骤4:在簇到S1之Sn间,观察是否簇间有相关联的节点,若相关联,且关联值θij≥θ,则将Vi与Vj相连接。
该算法的最终目的是搜索出一个较为简单的网络结构,减少网络推理的复杂度,使学习后的网络结构能够使用精确推理算法来实现推理,得出一个较为准确的结果。
搜索的过程如图1所示。
从图1可以看出,在经过分簇搜索之后,网络结构(d)比网络结构(a)有了一定程度的简化。
有效的贝叶斯网络推理算法是贝叶斯网络的重要内容,也是其应用的前提。大型复杂的故障诊断系统,所建立的贝叶斯网络模型也具有非常复杂的结构,为了降低贝叶斯网络的推理复杂度,使其更容易应用于解决实际问题,一般的推理算法都是在简化网络结构上进行研究的。下面来分析经过分簇结构优化算法后的网络推理。
2 联合树推理
分簇优化联合树算法实现对贝叶斯网络的诊断推理。分簇优化联合树算法是分簇优化算法与联合树算法的结合,其流程图如图2所示。分簇优化已在前文介绍,下面介绍流程图中其余步骤。
2.1 贝叶斯网络转化为联合树
将贝叶斯网络B转化为联合树,分为四步:建立B的Moral图;三角化Moral图;确定所有的团(Cliques);建立联合树。
(1)建立B的Moral图
简历Moral图的过程就是找出每个节点的父节点,并将他们用无相边两两相连,同时将所有有向边改为无向边。
(2)三角化Moral图
在Moral图中添加一些无向边,使图中每个大于或等于4的环中,都存在一条边连接两个非相邻节点。这就完成了对Moral图的三角化。
(3)确定所有的团(Cliques)
对Moral图三角化的目的就是找到构成联合树的所有团。团是Moral图三角化后最大的全连通子图,团中每对不同的节点都有边相连。
(4)建立联合树
利用得到的团,添加一些边和分隔节点就可构造一棵联合树T。联合树T要满足:树中任意两个团C,C′在连接它们的路径上的所有团节点必须包含变量C∩C′。
2.2 初始化
将贝叶斯网络转化为联合树后,就要对联合树的所有节点指定参数,即对联合树进行初始化。下面的算法实现了对满足条件的联合树参数的指定。
若联合树中的团Ci由X1,X2,…,Xr,r个节点组成,每一个节点有Sr个状态,则共有个状态组合。i代表Ci的分布函数,ij代表图Ci第j个状态组合的分布函数。具体步骤是:
for一个随机变量V
找到包含V的家庭的团Ci;
fori=1,…,n(n为团的数目)
orj=1,…,m(m为团C状态组合的个数)
初始化Φij,使Φij=1;
forj=1,…,m
Φij=Φij*P(Vj|Pa(Vj))
2.3 消息传递
对联合树进行初始化后,要在联合树上进行消息传递。通过个团节点之间的消息传递,可以是联合树达到全局一致,即达到稳态。如图3所示是团节点间一次消息传递的过程。
从节点Ci到Cj的一次消息传递过程包括以下几步:
(1)产生消息:
(2)吸收信息,更新团结点的分布函数:
(3)更新分隔节点的分布函数:
2.4 概率计算
当一个联合树通过消息传递满足全局一致性后,即可计算任意随机变量V的概率分布。找到任意一个包含变量V的团节点C,通过可计算出变量V的分布。
2.5 加入证据
若有新的证据加入,重复证据收集和证据扩散的过程,直到得到全局一致的联合树为止。当联合树再次满足全局一致性时,对任意的团C有:C=P(C,e),(e表示加入的证据)。要计算假设的变量V的概率分布,首先找到任意一个包含变量V团结点C,,再根据条件概率公式,求出变量V的概率分布
3 结束语
有效的贝叶斯网络推理算法是贝叶斯网络的重要内容,也是其应用的前提。大型复杂的故障诊断系统,所建立的贝叶斯网络模型也具有非常复杂的结构,为了降低贝叶斯网络的推理复杂度,使其更容易应用于解决实际问题,一般的推理算法都是在简化网络结构上进行研究的。而分簇简化联合树算法在对网络结构简化之后再进行网络推理,一定程度上简化了网络推理的难度。
摘要:大型复杂贝叶斯网络的诊断推理存在困难,在其推理诊断之前对网络结构进行适当的简化,可以有效地加快诊断推理速度。采用分簇联合树算法实现对网络结构的简化与推理。主要介绍了分簇搜索算法的基本思想、实现步骤及联合树推理算法,并将它们结合使用,使贝叶斯网络的简化推理更有效。
关键词:贝叶斯网络,概率推理,分簇理论,联合树
参考文献
[1]Wang Weidong,Zhu Qingxin.A Hierarchical Clustering Algorithmand Cooperation Analysis for Wireless Sensor Networks[J].Journalof Software,2006,17(5):1157-1167.
[2]Stephenson T.A.An Introduction to Bayesian Network Theory andUsage[Z].IDIAP-PR,Feb,2000.
[3]Gregory F Cooper,Edward Herskovits.A Bayesian method for theinduction of probabilistic networks from data[J].Machine Learning(S0885-6125),1992,9(4):309-347.
[4]衡星辰,覃征,邵利平,等.动态贝叶斯网络在复杂系统中建模方法的研究[J].系统仿真学报,2006,18(4):1002-1005.
[5]邢永康.信度网理论及应用研究:[D].重庆:重庆大学,2001.