离散动态贝叶斯网络精确推理的研究与实现

《离散动态贝叶斯网络精确推理的研究与实现》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、■－可爲林謂教少專圍硕±学位论文！參腿离散动态贝叶斯网络精确推理的研究与实现５ｇ｜作者姓名ｗｍ巧就师姓名、职称柴慧敏融教授申请学位类别工学硕壬ｊ：：＇西安电子科技大学学位论文独创性（或创新性）声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师Ｌ，指导下进行的研巧工作及取得的研究成果。尽我所知除了文中特別加处称注和致谢中所罗列的内巧外，论文中不包含其他人己经发衷或撰写过的研巧成果；也不包含过的材料一为获得西安电子科技火学或其它教育机构的学位或证书而使用。与我同工意。作的同志

2、对本研究巧做的任何贡献均已在论文中作了明确的说明并表示了谢－。学位论文若有不实么处，本人巧担切法律责任至々〇：／：日期、本人签名西安电子科技大学关于论文使用授权的说明：研巧化在本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即校攻读学位期间论文工作的知识产权单位属乎西安电子科技大学。学校有权保留送交、借阅论文论文的ｆｉ印件，允许杳阅；学校可Ｗ公布论文的全部或部分内容，允许采用影印、缩印或其它复制手段保存论文。同时本人保证，获得学位后结合学位论文研究成果撰写的文章，署名单位为西安电子科技大学。。保密的学位论文在年解密后适用

3、本授权书＿＿＇本人签：松问：名、导师签名谭风引）：如：口期只。，。日期引｜学校代码10701学号1303121689分类号TP181密级公开西安电子科技大学硕士学位论文离散动态贝叶斯网络精确推理的研究与实现作者姓名：谭格帆一级学科：计算机科学与技术二级学科：计算机应用技术学位类别：工学硕士指导教师姓名、职称：柴慧敏副教授学院：计算机学院提交日期：2015-11-16ResearchandImplementationofExactInferenceonDiscreteDynamicBayesianNetworkAthesissubmittedtoXIDIANU

4、NIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofMasterinComputerApplicationTechnologyByTanGefanSupervisor:ChaiHuiminAssociateProfessorNovember2015摘要摘要贝叶斯网络由于对不确定性问题的良好描述，简洁的表示以及可行的计算方法，在许多领域得到广泛的应用。动态贝叶斯网络是贝叶斯网络的拓展形式，主要应用于对时序和序列性数据的建模。动态贝叶斯网络的特例，HMM和KFM在语音识别，生物基因检测，以及动态系统跟踪等领域得到成熟

5、应用，而针对更一般化的动态贝叶斯网络，由于其表示的多样性，推理和学习的复杂性，并没有在工业界得到大规模的应用。本文首先从贝叶斯网络理论出发，阐述贝叶斯网络对现实建模的理论基础。分别对动态贝叶斯网络的三个主要问题，模型的表示，推理和学习问题进行深入研究。列举出了隐马尔可夫模型，因子隐马尔可夫模型，耦合隐马尔可夫模型，层次隐马尔可夫模型以及抽象隐马尔可夫模型等五种离散动态贝叶斯网络模型的表示，并给出每个特定结构的具体应用领域。贝叶斯网络的推理是指观察到网络中的变量值，求取其他变量值概率的过程。本文以静态贝叶斯网络的推理为基础，深入分析了离散动态贝叶斯网络的推理算法，根据贝叶斯网络的变

6、量消元法，联合树算法，以及HMM的前向后向算法的理论基础，剖析了适用于一般化动态贝叶斯网络的接口算法。之后简要分析了极大似然估计和EM算法在动态贝叶斯网络中参数学习的使用。最后，依据本文所涉及的理论基础，实现了一个用于贝叶斯网络的表示，推理和学习的计算库libdbn。libdbn的底层由C++，上层由Python实现，它完成了大部分本文中涉及的算法，可以完成适用于离散动态贝叶斯网络的建模和概率推理，也进一步地为相关研究人员的深入研究和改进提供了基础。关键词：动态贝叶斯网络，精确推理，联合树算法，接口算法，libdbnIABSTRACTABSTRACTBayesianNetwork

7、sisoneofthemethodsofmodelingtheuncertaintyproblems.Thehighqualityofwhichtomodelreality,simplerepresentationandtractablecomputationmakethemodelusedwidely.DynamicBayesianNetworksisthedevelopmentofBayesianNetworks,whichismainlyusedinmodelingtime