Эвристический алгоритм синтеза модели зависимостей между событиями
Автор: Горишний Дмитрий Владимирович
Журнал: Вестник Донского государственного технического университета @vestnik-donstu
Рубрика: Технические науки
Статья в выпуске: 5 (48) т.10, 2010 года.
Бесплатный доступ
Рассмотрена проблема выявления зависимостей между событиями на примере сбоев устройств железнодорожной автоматики и телемеханики. Предложен эвристический алгоритм синтеза структуры модели зависимостей - байесовской сети - по диагностическим данным на основе применения принципа описания минимальной длины. Представлено описание разработанного алгоритма и его программной реализации.
Автоматика и телемеханика, техническое диагностирование, интеллектуальный анализ данных, байесовская сеть, направленный ациклический граф, взаимная информация, принцип описания минимальной длины, адаптивность
Короткий адрес: https://sciup.org/14249411
IDR: 14249411
Список литературы Эвристический алгоритм синтеза модели зависимостей между событиями
- Люгер Дж. Искусственный интеллект. Стратегии и методы решения сложных проблем. -М.: Вильямс, 2003. -864 с.
- Рассел С., Норвиг П. Искусственный интеллект: современный подход. -М.: Вильямс, 2006. -1408 с.
- McKay D. Information Theory, Inference, and Learning Algorithms. -Cambridge: Cambridge University Press, 2003. -550 p.
- Mitchell T. Machine Learning. -NY: McGraw-Hill, 1997. -432 p.
- Murphy K. A Brief introduction to graphical models and Bayesian networks. -Berkeley, 2001. -19 p.
- Otenyia L. Bayesian Belief Networks for dementia diagnosis and other applications: A comparison of hand-crafting and construction using novel data-driven technique//Technical Report CSM-179. -University of Stirling, 2008. -332 p.
- Chickering D.M., Geiger D., Heckerman D. Learning Bayesian Networks is NP-hard//Technical Report MSR-TR-94-17. -Microsoft, 2004. -155 p.
- Chow C.K., Liu C.N. Approximating discrete probability distributions with dependence trees//IEE Transactions on information theory. -1968. -Vol. IT-14, N 3. -6 p.
- Grunwald P. A Tutorial Introduction to the Minimum Description Length Principle//Advances in Minimum Description Length: Theory and Applications. MIT Press. -Cambridge, 2005. -80 p.
- Suzuki J. Learning Bayesian Belief Networks based on the Minimum Description length Principle: Basic Properties//IEICE Trans. on Fundamentals. -1999. -Vol. E82-A, N 9. -9 p.
- Zheng Y., Kwoh C.K. Improved MDL Score for Learning of Bayesian Networks//Proceedings of the International Conference on Artificial Intelligence in Science and Technology. -2004. -AISAT. -P. 98-103.
- Lyuger Dj. Iskusstvennyi intellekt. Strategii i metody resheniya slojnyh problem. -M.: Vil'yams, 2003. -864 s. -in Russian.
- Rassel S., Norvig P. Iskusstvennyi intellekt: sovremennyi podhod. -M.: Vil'yams, 2006. -1408 s. -in Russian.
- McKay D. Information Theory, Inference, and Learning Algorithms. -Cambridge: Cambridge University Press, 2003. -550 p.
- Mitchell T. Machine Learning. -NY: McGraw-Hill, 1997. -432 p.
- Murphy K. A Brief introduction to graphical models and Bayesian networks. -Berkeley, 2001. -19 p.
- Otenyia L. Bayesian Belief Networks for dementia diagnosis and other applications: A comparison of hand-crafting and construction using novel data-driven technique//Technical Report CSM-179. -University of Stirling, 2008. -332 p.
- Chickering D.M., Geiger D., Heckerman D. Learning Bayesian Networks is NP-hard//Technical Report MSR-TR-94-17. -Microsoft, 2004. -155 p.
- Chow C.K., Liu C.N. Approximating discrete probability distributions with dependence trees//IEE Transactions on information theory. -1968. -Vol. IT-14, N 3. -6 p.
- Grunwald P. A Tutorial Introduction to the Minimum Description Length Principle//Advances in Minimum Description Length: Theory and Applications. MIT Press. -Cambridge, 2005. -80 p.
- Suzuki J. Learning Bayesian Belief Networks based on the Minimum Description length Principle: Basic Properties//IEICE Trans. on Fundamentals. -1999. -Vol. E82-A, N 9. -9 p.
- Zheng Y., Kwoh C.K. Improved MDL Score for Learning of Bayesian Networks//Proceedings of the International Conference on Artificial Intelligence in Science and Technology. -2004. -AISAT. -P. 98-103.
