[01582427]面向智能信息处理的贝叶斯网络关键理论与方法研究

贝叶斯网络是用于联合概率（密度）分解及证据传递的有效图形模式。它具有多功能性与开放性，广泛用于分类、聚类、联合预测、趋势分析、因果分析等领域。能够结合不同的数据处理理论与方法构成用于不同目的的数据分析与处理工具。该项目主要研究具有多项式复杂度的贝叶斯网络结构学习算法；不受联合正态分布约束的连续贝叶斯网络参数学习方法；有效的混合贝叶斯网络参数学习方法；有效实用的贝叶斯网络分类器学习方法等。课题研究在如下领域取得了重要成果：具有离散变量的贝叶斯网络（离散贝叶斯网络）结构学习；具有连续变量的贝叶斯网络（连续、混合贝叶斯网络）结构学习；具有丢失数据的贝叶斯网络结构学习；有隐藏变量的贝叶斯网络学习；小样本数据的贝叶斯网络学习；具有丢失数据的可分解马尔科夫网络结构学习；基于类约束的图形模式分类器；以及贝叶斯网络的应用基础理论与方法方面：关于基于图形模式的特征子集选择的研究、图形模式用于聚类的研究等。这些研究将进一步使贝叶斯网络走向实用化，为决策、管理、检索、过程控制等领域的智能化数据分析与处理提供了理论依据和实现方法。