贝叶斯网络简介.ppt

贝叶斯网络简介IntroductiontoBayesianNetworks基本框架基本思路几个重要原理Whatarethey?
Bayesiannetsareanetwork-basedframeworkforrepresentingandanalyzingmodelsinvolvinguncertainty
Whataretheyusedfor?
Intelligentdecisionaids,datafusion,featurerecognition,intelligentdiagnosticaids,automatedfreetextunderstanding,datamining
Wheredidtheycomefrom?
Crossfertilizationofideasbetweentheartificialintelligence,decisionanalysis,andstatisticcommunities贝叶斯网络的几个主要问题一个简单贝叶斯网络例子一个简单贝叶斯网络例子一个简单贝叶斯网络例子为什么要用贝叶斯网络进行概率推理？概率论基础基本概念例子贝叶斯网络应用图分割与变量独立图分割与变量独立马尔科夫边界与端正图贝叶斯网络推理(Inference)贝叶斯网络推理(Inference)贝叶斯网络推理(Inference)用团树组织变量消元的算法。计算共享
团树传播算法基本步骤：
将贝叶斯网络转化为团树
团树初始化
在团树中选一个团作为枢纽
全局概率传播：CollectMessage;DistributeMessage
边缘化，归一化

团树传播算法示例（[TLR]是枢纽节点）
变量消元和团树传播算法都是精确推理算法。贝叶斯网络推理(Inference)MCMC算法—吉布斯抽样(Gibbssampling)。它首先随机生成一个与证据E=e相一致的样本s1作为起始样本。此后，每个样本si的产生都依赖于前一个样本si-1,且si与si-1最多只有一个非证据变量的取值不同，记改变量为X。
X的取值可以从非证据变量中随机选取，也可以按某个固定顺序轮流决定。
在si中，X的值通过随机抽样决定，抽样分布是：

当样本数时，马氏链理论保证了算法返回的结果收敛于真正的后验概率。吉布斯抽样的缺点是收敛速度慢，因为马氏链往往需要花很长时间才能真正达到平稳分布。

(2)变分法。贝叶斯网络学习贝叶斯网络结构学习结构学习算法贝叶斯网络参数学习贝叶斯网络参数学习隐结构模型学习贝叶斯网络用于分类和因果关系分析动态贝叶斯网络SoftwareTools参考文献