《表1：数据来源：组合数据下贝叶斯网络构建算法研究》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《组合数据下贝叶斯网络构建算法研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在开始融合之前需要为贝叶斯网络结构中的结点和边进行打标签。为了保证融合网络结构过程中结点的有序性，需要根据每个结点所代表的实际意义为每个结点和每一条边打上标签。接着，将所有局部贝叶斯网络的结点和网络结构中重复的边作为初始网络G=（V，E）。为了融合后保留最多边和信息，将Ew加入到网络结构G中，其中Ew是在局部贝叶斯网络中出现的边但却不存在于G。为了保留最多的信息，将Ew中的边全部加入G是最理想的情况，但这不适于所有情况，且易造成融合网络结构复杂或存在冗余边。因此在加入G的时，文本基于原贝叶斯网络结构评分值对加入的边进行筛选，具体步骤为在改进K2算法学习局部贝叶斯网络的过程中，分别得到局部贝叶斯网络中每条边评分值进行存储.分别给予局部网络结构的评分最小值不同的权重，计算出来加权平均评分值作为融合网络的边的阈值。若加入初始网络的边的评分大于等于阈值，则加入其中。在得到融合贝叶斯网络结构后，基于最大似然估计法求出条件概率表。对于根结点概率，可以根据结点不同取值的出现频率，作为根节点的概率参数。对于节点的条件概率，可由给定父结点集的值时，结点不同取值的出现频率求得。