用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法
【专利摘要】本发明提出了一种用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法，包括如下步骤：S1，获取海量数据，根据该数据的属性通过贝叶斯网络进行训练学习；S2，向贝叶斯分类器中引入了属性分级的策略方法，将树增广贝叶斯分类器扩展成为二阶的贝叶斯分类器；S3，建立二阶依赖树增广贝叶斯分类器，将建立完成的二阶依赖树增广贝叶斯分类器导入所获取的数据，根据数据的属性对该数据进行分类匹配，从而准确得到该属性的数据。本发明选择TAN分类器为研究对象，将TAN属性间的依赖关系扩展至二阶，并采用属性分级的策略，提出了二阶依赖树增广朴素贝叶斯分类器结构的设计方法。本发明提高了数据挖掘的准确性。
【专利说明】
用于大数据挖掘的二阶依赖树増广贝叶斯分类器工作方法
技术领域
[0001] 本发明设及大数据挖掘领域，尤其设及一种用于大数据挖掘的二阶依赖树增广贝 叶斯分类器工作方法。
【背景技术】
[0002] 大数据与我们的生活密不可分，而基于大数据挖掘的相关技术也已经在实际的场 景中有了一定的应用。例如医疗方面，通过研究大量病人的不同症状和病人的诊断结果之 间的数据可W更好的为医生的诊断提供依据。而数据分类作为大数据挖掘过程中的关键技 术，也受到了国内外广泛的研究。数据分类的本质是对已有数据进行学习 W获得所需知识， 合理的使用运些学习到的知识设计一个相应的函数或者构建一个相应的模型结构，运个函 数或结构体现的是一种映射关系，在获得正确的映射关系后，观测实例的部分已知数据便 可通过它们映射得到该实例的类，运个过程称之为数据分类。
[0003] 目前已有的很多数据挖掘技术都无法给出各个数据属性间的因果关系。在基于贝 叶斯网络的数据分类器中，数据之间不同的属性被建模为贝叶斯网络中不同的变量节点。 贝叶斯网络通过使用属性间的互信息来寻找相关性，并通过图形化网络展示出属性间的相 关性，并将运种相关性称为依赖关系。
[0004] 将贝叶斯网络数据分类器中的数据分类属性变量节点C称为分类属性节点，分类 属性节点是网络中所有其他节点的父节点，变量C的取值表示的是数据分类的结果；贝叶斯 网络数据分类器中的属性变量X0，X1，…，XN-I等节点称为属性节点，其中各个属性变量的 取值表示的是数据的某一项属性的情况;表示各个属性节点间依赖关系的有向连线称为 弧。而前文提到的对已有数据进行学习的过程，在基于贝叶斯网络的数据分类器中被称作 训练。在训练的过程中，需要将大量的数据根据贝叶斯网络的结构，进行统计分析；网络中 的所有变量均为离散变量，在经过训练W后我们将得到分类属性变量C的先验概率的概率 质量函数P(C)，和各个属性变量的条件概率质量函数P(Xi IC)。
[0005] 基于贝叶斯网络结构的数据分类方法也有很多种。最简单的贝叶斯分类器是朴素 贝叶斯分类器（NaYveBayesian化twork，NBKNB的网络结构如附图1所示。基于NB的数据 分类器的核屯、是条件独立性假设，它假设所有属性之间都是条件独立的（即没有关联的）， 也就是说，网络结构中所有属性节点之间都不存在弧。朴素贝叶斯分类器的条件独立性假 设使得模型的复杂度较低，无需担屯、过拟合现象。虽然它的结构非常简单，但是在很多应用 中的表现却不弱于那些更为复杂的分类算法。然而运种条件独立性假设在现实中是不成立 的，并且其结构也导致朴素贝叶斯无法在训练数据中获得更多的分类信息，运将严重影响 分类准确率。
[0006] 树增广朴素贝叶斯分类器(IYee-Augmented NaWeBayes，TAN)是NB的扩展，它通 过贪屯、策略逐步的构建了一个最优的树形结构，进而获取到属性间一些最为重要的依赖关 系。TAN的网络结构如附图2所示。TAN由于包含了各个属性之间的部分关联信息，所W相比 于NB, TAN普遍被认为具有更优秀的分类性能和更高的复杂度。TAN的设计方法很好的权衡 了网络的复杂度和属性间的依赖关系，构造了一个相对完美的一阶贝叶斯网络分类器。但 是到目前为止，TAN仍然只能局限于一阶依赖关系。因此，在面对较大的数据量时，TA州尋会 由于模型的限制而出现拟合度不足的情况，导致了 TAN在面对大数据时的乏力。
[0007] 由于数据在累积过程中，其属性和参数都在不断的增加和改变，用户在对数据进 行分析的过程中，如果分类器运算的效率低下，必将导致数据挖掘过程中的运算冗余和效 率低下，给用户带来不便，运就亟需本领域技术人员解决相应的技术问题。
【发明内容】
[0008] 本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种用于大 数据挖掘的二阶依赖树增广贝叶斯分类器工作方法。
[0009] 为了实现本发明的上述目的，本发明提供了一种用于大数据挖掘的二阶依赖树增 广贝叶斯分类器工作方法，包括如下步骤：
[0010] SI,获取海量数据，根据该数据的属性通过贝叶斯网络进行训练学习；
[0011] S2,向贝叶斯分类器中引入了属性分级的策略方法，将树增广贝叶斯分类器扩展 成为二阶的贝叶斯分类器；
[0012] S3,建立二阶依赖树增广贝叶斯分类器，将建立完成的二阶依赖树增广贝叶斯分 类器导入所获取的数据，根据数据的属性对该数据进行分类匹配，从而准确得到该属性的 数据。
[0013] 所述的用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法，优选的，所述 S2中向贝叶斯分类器中引入了属性分级的策略包括：
[0014] 在2D-TAN中，每一个属性变量都将归属于某一个属性等级;在2D-TAN中，首先需要 对各个属性变量依照其与类变量之间的互信息/(乂:;〇排序;之后每个属性变量《都将生 成一个信息集合Y巧馬足
；运一集 合中包括了该属性变量杂与类变量C之间的互信息/(不;〇, W及秦与所有排序在其之前 的属性变量的条件互信息值马式;;O巧信息集合Yi*中，数值最大的元素决定了属性 变量《的属性等级;若数值最大的元素为/(乂;则属性变量《的属性等级为1级;若数 值最大的元素为巧义^. I O，且属性变量的属性等级为n级，则属性变量苯的属性等 级为n+1级，其中下标i，j分别表示第i个或第j个属性变量的序号。
[0015] 所述的用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法，优选的，所述 树增广贝叶斯分类器扩展成为二阶的贝叶斯分类器包括：
[0016] 在2D-TAN中，2级及2级W上的属性变量不，需要在其上一属性等级的属性变量或 同级且排序在X之前的属性变量中选择至多两个条件互信息量巧IO的数值最大或 第二大的属性变量為.作为属性变量^^^的父节点。
[0017] 所述的用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法，优选的，所述 S3中二阶依赖树增广贝叶斯分类器工作方法包括：
[001引步骤1，开始；
[0019] 步骤2,通过训练得到，分类属性变量C的先验概率的概率质量函数P(C)，其他属性 变量的先验概率的概率质量函数P(Xi)及其条件概率质量函数P(XilC),每个属性之间的联 合先验概率质量函数P(Xi，Xj)，W及各属性间的条件联合概率质量函数P(Xi，Xj IC);
[0020] 步骤3,经过计算得到各个属性变量Xi与类变量C之间的互信息I(Xi;C)和各个属性 变量之间的条件互信息KXi :? IC);
[0021] 步骤4,依据I (Xi; C)对所有属性变量进行排序得到有序的属性变量 ，...，又^_1，其中下标N为正整数；
[0022] 步骤5,在依赖树网络结构中添加类变量C节点；
[0023] 步骤6,向依赖树网络中添加第一个属性变量节点;，并在;^与(：之间添加一条 弧，指向，并将其归类为1级属性；
[0024] 重复步骤7至步骤9,直到所有属性变量节点均添加到了依赖树网络中；
[0025] 步骤7,建立属性变量《的信息集合Yi*,满足
[0026]
[0027]步骤8,找出Yi*中最大的元素;若该元素为乃^;〇,则在為与C之间添加一条弧， 指向《，并将《向类为1级属性;若该元素为巧名;^ I 0(/< A，则在聲与C之间添加一条 弧，指向.《，并在苯与考之间添加一条弧，指向《龙《属于第n级属性，则将《归类为第n +1级属性，其中n为大于等于1的正整数；
[002引步骤9，若n+1 > 2，则需要建立属性变量式的属性级别信息集合Yi^Wassl，其中仅包 含了 n级与n+1级的已添加至网络中的属性变量与疋的条件互信息，找出Yi^elassl中第二大 的元秦
，并在本与《之间添加一条弧，指向;C;
[0029] 步骤10,判断是否还有属性变量尚未添加到网络中，若没有，贝峭巧专步骤11;若有 则按照之前的排序，选择下一属性变量并回到步骤7;
[0030] 步骤11，结束。
[0031] 综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0032] 首先，通过将原有的TAN扩展至二阶贝叶斯分类器，其数据拟合度将大大提升，从 而在面对大数据问题时能够有更优的表现。
[0033] 其次，采用属性分级的策略，有助于网络在训练数据不够充分的情况下，降低稀有 数据样本对网络的影响，从而减小分类器的数据敏感度，能够防止过拟合的现象发生。
[0034] 由于TAN受限于其阶数，面对大数据时会出现拟合度不足的情况，故而将其扩展至 二阶W期提升其拟合度，进而增加分类的准确性，同时采用属性分级的策略来降低网络的 数据敏感度，防止其出现过拟合的情况，通过该方法对获取数据的准确性方面得到显著提 升，提高了数据提炼或者数据挖掘的匹配概率，在大数据环境下降低了过拟合现象，能够更 加准确的抓取数据，提高了数据挖掘精确度。
[0035] 本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本发明的实践了解到。
【附图说明】
[0036] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得 明显和容易理解，其中：
[0037] 图1为现有技术朴素贝叶斯分类器的结构示意图；
[0038] 图2为现有技术树增广贝叶斯分类器的结构示意图；
[0039] 图3本发明二阶依赖树增广贝叶斯分类器的网络构建流程图；
[0040] 图4本发明二阶依赖树增广贝叶斯分类器的网络结构示意图。
【具体实施方式】
[0041] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[00创在本发明的描述中，需要理解的是，术语"纵向"、"横向"、"上"、"下"、"前"、"后'、 "左"、"右"、"竖直"、"水平"、"顶"、"底""内"、"外"等指示的方位或位置关系为基于附图所 示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装 置或元件必须具有特定的方位、W特定的方位构造和操作，因此不能理解为对本发明的限 制。
[0043] 在本发明的描述中，除非另有规定和限定，需要说明的是，术语"安装"、"相连"、 "连接"应做广义理解，例如，可W是机械连接或电连接，也可W是两个元件内部的连通，可 W是直接相连，也可W通过中间媒介间接相连，对于本领域的普通技术人员而言，可W根据 具体情况理解上述术语的具体含义。
[0044] 如图3所示，本发明提供了一种用于大数据挖掘的二阶依赖树增广贝叶斯分类器 工作方法，包括如下步骤：
[0045] Sl，获取海量数据，根据该数据的属性通过贝叶斯网络进行训练学习；
[0046] 假设一个考生就是一个数据单元，考试通过与否的结果对应的就是分类属性变量 C，C=1表示该生考上了，C = O表示该生没有考上。同时，又通过一些属性变量X来进行描述 考生运样一个数据单元，比如，用Xi表示考生的笔试成绩，拉表示考生的面试成绩等等。现在 假设我的数据库中共有N个运样的考生作为数据单元，我能够知道每一个考生的各个分类 属性变量C的取值。假设运N个考生中有P个通过了考试，而N-P个没有通过，我就能够从统计 学的角度计算出
，运样就得到了分类属性变量C的先验概率 P(C)。另一方面，此时我知道每一个考生的属性变量的取值，我们WXi = I表示运个考生的 笔试成绩优秀，Xi = O,表示该考生笔试成绩不优秀，再假设笔试成绩优秀并通过了考试的 考生有Pi个，笔试成绩不优秀通过了考试的考生为P2个，进而从统计学的角度可W得到
，通过更多的运样的统计参数就可W利用统计学 原理得到条件概率质量函数P(Xi I C)。得到了运两个参数网络的训练就完成了。就可W进入 网络构建的阶段了。
[0047]或者假设一组海量的医疗病例图片就是一个数据单元，该海量图片对同一区域或 者类似区域进行图像采集，是否存在病灶的图片就是分类属性变量C，C=1表示产生病变坏 死区域，C = O表示没有产生病变坏死区域，或者解释为正常的生理图片。同时，又通过其它 一些属性变量Xi来进行描述相关区域的状态信息，比如，用Xi表示血红蛋白偏高，恥表示血 小板数量偏低等等。现在假设图片数据库中共有N个运样的病例图片作为数据单元，我能够 知道每一个疑似患病区域图片的分类属性变量C的取值。假设运N个疑似患病区域图片中有 P个匹配为已经产生病变坏死区域，而N-P个没有产生病变坏死区域，我就能够从统计学的 角度计算出
运样就得到了分类属性变量C的先验概率P (C)。另一方面，此时我知道每一个疑似患病区域图片的属性变量的取值，我们WXi = I表示 运个产生病变坏死区域很严重，Xi = O,表示该产生病变坏死区域不严重，再假设产生病变 坏死区域很严重有Pi个，产生病变坏死区域不严重为P2个，进而从统计学的角度可W得到
通过更多的运样的统计参数就可W利用统计学 原理得到条件概率质量函数P(Xi I C)。得到了运两个参数网络的训练就完成了。就可W进入 网络构建的阶段了。
[004引从抽象的角度来讲，叙述如下：
[0049] 在网络建立之前，需要选择好与分类属性C相关的属性变量Xi(此处假设共有N个 属性变量）。然后，获取得到数据库中各个数据单元的属性变量Xi到Xn的取值，再从运用统计 学的方法来计算分类属性变量C的先验概率P(C)和各个属性变量Xi的条件概率质量函数P (XilOo
[0050] S2,向贝叶斯分类器中引入了属性分级的策略方法，将树增广贝叶斯分类器扩展 成为二阶的贝叶斯分类器；
[0051] 向贝叶斯分类器中引入了属性分级的策略包括：
[0052] 在2D-TAN中，每一个属性变量都将归属于某一个属性等级;在2D-TAN中，首先需要 对各个属性变量依照其与类变量之间的互信息
排序;之后每个属性变量薦都将有 一个信息集合Y巧馬足，
；运一 集合中包括了该属性变量又^与类变量C之间的互信息及菊与所有排序在其之 前的属性变量的条件互信息值乃式;店^.1 O ;在信息集合￥1^中，数值最大的元素决定了属性 变量名的属性等级;若数值最大的元素为/(《:0,则属性变量％t的属性等级为1级;若数 值最大的元素为巧考;Q，且属性变量的属性等级为n级，则属性变量朵的属性等级 为n+1级。
[0053] 将原有的树增广贝叶斯分类器扩展成为一个二阶的贝叶斯分类器，包括：
[0054] 在2D-TAN中，2级及2级W上的属性变量，需要在其上一属性等级的属性变量或 同级且排序在《之前的属性变量中选择至多两个条件互信息量0的数值最大或 第二大的属性变量当满足要求的节点少于两个时，可W只选择一个)作为属性变量秦 的父节点。
[0055] 如图4所示，S3,建立二阶依赖树增广贝叶斯分类器，将建立完成的二阶依赖树增 广贝叶斯分类器导入所获取的数据，根据数据的属性对该数据进行分类匹配，从而准确得 到该属性的数据。
[0056] 二阶依赖树增广贝叶斯分类器的结构设计方法的流程包括：
[0057] 步骤1，开始；
[0058] 步骤2,通过训练得到，分类属性变量C的先验概率的概率质量函数P(C),其他属性 变量的先验概率的概率质量函数P(Xi)及其条件概率质量函数P(XilC),各个属性之间的联 合先验概率质量函数P(Xi，Xj)，W及各属性间的条件联合概率质量函数P(Xi，Xj IC);
[0059] 步骤3,经过计算得到各个属性变量Xi与类变量C之间的互信息I(Xi;C)和各个属性 变量之间的条件互信息KXi :? IC);
[0060] 步骤4，依据I ( X i ; C )对所有属性变量进行排序得到有序的属性变量 [0061 ]步骤5，在网络结构中添加类变量C节点；
[0062] 步骤6,向网络中添加第一个属性变量节点萬，并在或与C之间添加一条弧，指向 .萬，并将其归类为1级属性；
[0063] 重复步骤7至步骤9,直到所有属性变量节点均添加到了网络中；
[0064] 步骤7，建立属性变量或的信息集合Yi*,满足
[00 化]
;
[0066] 步骤8，找出￥1^中最大的元素;若该元素为/(式;〇，则在或与(：之间添加一条弧， 指向韦，并将《向类为1级属性;若该元素为JTJ 〇〇'</)，则在《与C之间添加一条 弧，指向名，并在则在霉《之间添加一条弧，指向4,若考属于第n级属性，则将秦归类 为第n+1级属性；
[0067] 步骤9，若n+1 > 2，则需要建立属性变量考的属性级别信息集合Yi^Wassl，其中仅包 含了n级与n+1级的已添加至网络中的属性变量与秦的条件互信息，找出Yi^Wass;中第二大 的元素
，并在则在秦与考 1之间添加一条弧，指向或。
[0068] 步骤10,判断是否还有属性变量尚未添加到网络中，若没有，贝峭巧专步骤11;若有 则按照之前的排序，选择下一属性变量并回到步骤7;
[0069] 步骤11，结束。
[0070] S4,网络搭建完成后的贝叶斯网络的使用方法。
[0071] 在网络搭建完成后，又怎么使用运个网络来进行数据分类呢。还是沿用之前的考 生的例子。现在我们有了一批还没有参加公务员考试的考生，他们想知道自己考上的概率 有多大。于是，他们就按照自己的情况，把网络中各项分类属性变量的取值填入了网络中， 比如某一考生笔试成绩优秀，则此时向网络中的属性变量Xi赋值为1，运一考生的面试成绩 不优秀，贝化2赋值为0,等等。他将所有的属性变量完成赋值后，网络将会计算得到分类属性 变量C的一个后验概率，而运一概率就表征了运一考生通过运次考试的概率。
[0072] 或者W海量的医疗病例图片为例子。现在我们有了一批还没有对同一区域进行图 片分析的海量图像数据，如果想知道患病概率有多大。于是，他们就按照自己的情况，把依 赖树网络中各项分类属性变量的取值填入了依赖树网络中，比如某一血红蛋白偏高，则此 时向网络中的属性变量Xi赋值为1，某一血小板数量偏低，贝化2赋值为0，等等。他将所有的属 性变量完成赋值后，网络将会计算得到分类属性变量C的一个后验概率，而运一概率就表征 了运一区域是否为产生病变坏死的区域。
[0073] 从抽象的角度叙述如下：
[0074] 网络搭建完成后，当数据单元需要经过网络进行数据分类时，需要根据运一数据 的实际情况，向网络中的各个属性变量赋值，网络经过计算W后，将会得到运一数据的分类 属性变量C的后验概率。
[0075] 在本说明书的描述中，参考术语"一个实施例"、"一些实施例"、"示例"、"具体示 例"、或"一些示例"等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特 点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不 一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可W在任何 的一个或多个实施例或示例中W合适的方式结合。
[0076] 尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可W理解:在不 脱离本发明的原理和宗旨的情况下可W对运些实施例进行多种变化、修改、替换和变型，本 发明的范围由权利要求及其等同物限定。
【主权项】
1. 一种用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法，其特征在于，包括 如下步骤： Sl，获取海量数据，根据该数据的属性通过贝叶斯网络进行训练学习； S2,向贝叶斯分类器中引入了属性分级的策略方法，将树增广贝叶斯分类器扩展成为 二阶的贝叶斯分类器； S3，建立二阶依赖树增广贝叶斯分类器，将建立完成的二阶依赖树增广贝叶斯分类器 导入所获取的数据，根据数据的属性对该数据进行分类匹配，从而准确得到该属性的数据。2. 根据权利要求1所述的用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法， 其特征在于，所述S2中向贝叶斯分类器中引入了属性分级的策略包括： 在2D-TAN中，每一个属性变量都将归属于某一个属性等级;在2D-TAN中，首先需要对各 个属性变量依照其与类变量之间的互信息/(A;; O排序;之后每个属性变量都将生成 一个信息集合满足，= /(X:;^|〇 …/(XK1IC)Ls- 集合中包括了该属性变量 <与类变量C之间的互信息以及名与所有排序在其 之前的属性变量的条件互信息值/(<;< I O;在信息集合:中，数值最大的元素决定了 属性变量名的属性等级;若数值最大的元素为则属性变量X的属性等级为1级； 若数值最大的元素为/(尤;^ I O，且属性变量#的属性等级为η级，则属性变量名的属 性等级为η+1级，其中下标i，j分别表示第i个或第j个属性变量的序号。3. 根据权利要求1所述的用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法， 其特征在于，所述S2树增广贝叶斯分类器扩展成为二阶的贝叶斯分类器包括： 在2D-TAN中，2级及2级以上的属性变量;<，需要在其上一属性等级的属性变量或同级 且排序在；^之前的属性变量中选择至多两个条件互信息量I O的数值最大或第 二大的属性变量 作为属性变量X的父节点。4. 根据权利要求1所述的用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法， 其特征在于，所述S3中二阶依赖树增广贝叶斯分类器工作方法包括： 步骤1，开始； 步骤2，通过训练得到，分类属性变量C的先验概率的概率质量函数P(C)，其他属性变量 的先验概率的概率质量函数P(X1)及其条件概率质量函数PU11C)，每个属性之间的联合先 验概率质量函数P(X 1Jj),以及各属性间的条件联合概率质量函数PU11Xj Ic); 步骤3，经过计算得到各个属性变量Xi与类变量C之间的互信息I (Xi; C)和各个属性变量 之间的条件互信息I(x1;xdc); 步骤4，依据I ( X i ; C )对所有属性变量进行排序得到有序的属性变量 XV.., ，其中下标N为正整数，表示网络中共有N个属性变量； 步骤5，在依赖树网络结构中添加类变量C节点； 步骤6,向依赖树网络中添加第一个属性变量节点<，并在与C之间添加一条弧，指 向X，并将其归类为1级属性； 重复步骤7至步骤9,直到所有属性变量节点均添加到了依赖树网络中； 步骤7，建立属性变量的信息集合Ff，满足 Y；={l{X；;C) I{X];X；\C) ,. 步骤8,找出中最大的元素;若该元素为/(；<;〇,则在尤与C之间添加一条弧，指向 寫，并将尤归类为1级属性;若该元素为/(A：:;冬| 〇(./</) ,则在劣与C之间添加一条弧，指 向名，并在名与^之间添加一条弧，指向;^，若^属于第η级属性，则将名归类为第n+1级 属性，其中η为大于等于1的正整数； 步骤9,若η+1彡2,则需要建立属性变量4的属性级别信息集合y^U'/a·^，其中仅包含 了 η级与n+1级的已添加至网络中的属性变量与名的条件互信息，找出}^(cte)中第二大的 元素 /?:;《I c)(/ < /)，并在;^与;^之间添加一条弧，指向;; 步骤10，判断是否还有属性变量尚未添加到网络中，若没有，则跳转步骤11;若有则按 照之前的排序，选择第i+Ι个属性变量并回到步骤7; 步骤11，结束。
【文档编号】G06K9/62GK106021524SQ201610351706
【公开日】2016年10月12日
【申请日】2016年5月24日
【发明人】赵立, 廖勇, 沈轩帆
【申请人】成都希盟泰克科技发展有限公司