Preview

Вестник Донского государственного технического университета

Расширенный поиск

Эвристический алгоритм синтеза модели зависимостей между событиями

Полный текст:

Аннотация

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.

Об авторе

ДМИТРИЙ ВЛАДИМИРОВИЧ ГОРИШНИЙ
Ростовский государственный университет путей сообщения
Россия


Список литературы

1. Люгер Дж. Искусственный интеллект. Стратегии и методы решения сложных проблем. — М. : Вильямс, 2003. — 864 с.

2. Рассел С., Норвиг П. Искусственный интеллект: современный подход. — М. : Вильямс, 2006. — 1408 с.

3. McKay D. Information Theory, Inference, and Learning Algorithms. — Cambridge : Cambridge University Press, 2003. — 550 p.

4. Mitchell T. Machine Learning. — NY : McGraw-Hill, 1997. — 432 p.

5. Murphy K. A Brief introduction to graphical models and Bayesian networks. — Berkeley, 2001. — 19 p.

6. 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.

7. Chickering D.M., Geiger D., Heckerman D. Learning Bayesian Networks is NP-hard // Technical Report MSR-TR-94-17. — Microsoft, 2004. — 155 p.

8. 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.

9. 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.

10. 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.

11. 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.


Для цитирования:


ГОРИШНИЙ Д. Эвристический алгоритм синтеза модели зависимостей между событиями. Вестник Донского государственного технического университета. 2010;10(5):683-692.

For citation:


Gorishny D. HEURISTIC SYNTHESIS ALGORITHM OF EVENT DEPENDENCIES MODEL. Vestnik of Don State Technical University. 2010;10(5):683-692. (In Russ.)

Просмотров: 24


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1992-5980 (Print)
ISSN 1992-6006 (Online)