论文部分内容阅读
针对小样本数据条件下的贝叶斯网络结构学习,首先利用核密度估计（Kernel Density Estimation,KDE）对小规模样本数据进行拓展,然后引用云遗传算法（Cloud Theory-based Genetic Algotithm,CGA）对贝叶斯网络结构进行学习。通过优化改进核密度函数及其窗宽提高数据拓展效果;通过将云理论引入遗传算法中,自适应地改变交叉率和变异率,避免了算法局部寻优问题。仿真结果验证了该算法的有效性。