论文部分内容阅读
在Bayesian网络推理中，对节点做参数学习是必不可少的。但在学习过程中，常常会出现证据丢失，导致参数收敛速度减慢，同时影响参数学习的精确度，甚至给参数收敛带来困难。针对这样的问题，本文提出一种证据丢失参数模型，并推导出包含学习率的EM更新算法。收敛性能的理论分析和仿真试验结果两方面均表明，新算法与传统处理算法相比，在不降低参数估计精度的前提下，具有更快的收敛速度，为保证不完备证据条件下可信高效的Bayesian网络参数学习提供了一条可行的解决途径。