从实际应用角度出发研究基于限制性贝叶斯网络分类器的高效率和高精度的学习技术,基本达到可以在大规模实际数据库上应用的目的.主要研究内容包括:1)有效地确定限制性贝叶斯网络依赖关系方向性的方法;2) 研究在多离散随机变量依赖空间中,求解不对称依赖关系有向图的具有约束条件的接近最大生成森林算法,同时研究防止多层依赖传递导致依赖性减弱的策略;3)研究与应用准懒惰式学习技术;以及4) 显现模式技术在构造限制性贝叶斯网络中的应用技术.本项目的研究不仅对限制性贝叶斯网络学习技术具有重要意义,而且对其他学习模型的性能改进也具有一定的借鉴作用,同时对于一般网络优化问题也具有重要的理论与应用价值.
{{i.achievement_title}}
数据更新时间:2023-05-31
玉米叶向值的全基因组关联分析
路基土水分传感器室内标定方法与影响因素分析
论大数据环境对情报学发展的影响
跨社交网络用户对齐技术综述
基于SSVEP 直接脑控机器人方向和速度研究
多任务贝叶斯网络学习及其应用
拥堵网络下基于贝叶斯学习的动态交通需求演化
基于贝叶斯网络和迁移学习的癫痫发作检测方法研究
基于贝叶斯网络的排列算法研究