BLP模型实现方法的研究

发布时间：2023-02-26 03:00

　　BLP(Bayesian logic program)模型结合贝叶斯网和确定子句逻辑理论,以确定子句逻辑作为知识表示语言,以贝叶斯网建模不确定性,是表示现实世界问题的有效一阶概率模型。本文研究了BLP模型的提出背景、语法和语义,总结了BLP模型学习问题的分类、目的和方法。在此基础上,提出一种实现BLP模型的方法LBLP,以有效的获取问题域的BLP模型。 本文具体工作如下: 1.应用粒子群优化算法进行子句挖掘,获取BLP模型的逻辑结构; 2.实现梯度上升方法的一阶扩展,求得子句的条件概率分布,并为相关谓词设置联合规则,获取BLP模型的定量描述; 3.针对BLP模型的查询应用,实现回答查询。对于无证据的查询问题,建立查询变量的支撑网,计算其先验概率;对于存在证据的查询问题,建立查询变量和证据变量的合并网,应用推理算法计算概率。 4.采用UW-CSE数据库对BLP模型中的粒子群优化算法、梯度上升方法等进行测试,并应用十字交叉验证法对粒子群优化算法PSO和基于遗传算法的子句挖掘方法GILP进行性能比较。实验表明粒子群优化算法能够有效地获取子句,且收敛速度略快于遗传算法。

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
提要
第一章 绪论
    1.1 研究背景
    1.2 本文工作
第二章 理论基础
    2.1 统计关系学习 SRL
        2.1.1 统计关系学习概念
        2.1.2 统计关系学习方法分类
        2.1.3 统计关系学习的应用
    2.2 归纳逻辑程序 ILP
        2.2.1 ILP 的定义
        2.2.2 ILP 的问题描述
        2.2.3 ILP 的分类方法
        2.2.4 ILP 的优点
    2.3 贝叶斯网 BN
        2.3.1 BN 的定义
        2.3.2 BN 的语义
        2.3.3 BN 的应用
第三章 BLP 模型
    3.1 BLP 的提出
    3.2 BLP 的定义
    3.3 BLP 的例子
    3.4 BLP 的语义
        3.4.1 声明语义
        3.4.2 查询语义
    3.5 BLP 的特例
        3.5.1 贝叶斯网
        3.5.2 确定子句逻辑
        3.5.3 结构短语
    3.6 BLP 的学习
        3.6.1 结构学习
        3.6.2 参数学习
第四章 BLP 模型的一种实现方法 LBLP
    4.1 粒子群简介
        4.1.1 定义
        4.1.2 算法思想
    4.2 LBLP 的提出
    4.3 LBLP 的子句获取
        4.3.1 数据预处理
        4.3.2 问题编码
        4.3.3 挖掘算法
        4.3.4 适应度计算
        4.3.5 数据后处理
    4.4 LBLP 的概率分布计算
        4.4.1 统计方法
        4.4.2 梯度上升方法
    4.5 LBLP 的联合规则设置
    4.6 LBLP 小结
第五章 实验结果与分析
    5.1 实验数据
    5.2 LBLP 算法的实验
        5.2.1 子句获取的实验
        5.2.2 概率分布计算的实验
        5.2.3 搜索空间的扩展
    5.3 推理应用实验
        5.3.1 建立支撑网
        5.3.2 无证据查询
        5.3.3 证据查询
    5.4 PSO 与GILP 的对比实验
    5.5 BLP 的修正
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
摘要
ABSTRACT
致谢
导师及作者简介



本文编号：3749677