贝叶斯网络简介.ppt

《贝叶斯网络简介.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、贝叶斯网络简介IntroductiontoBayesianNetworks基本思路贝叶斯网络是为了处理人工智能研究中的不确定性(uncertainty)问题而发展起来的.贝叶斯网络是将概率统计应用于复杂领域进行不确定性推理和数据分析的工具。BN是一种系统地描述随即变量之间关系的工具。建立BN的目的主要是进行概率推理(probabilisticinference)。用概率论处理不确定性的主要优点是保证推理结果的正确性。几个重要原理链规则(chainrule)贝叶斯定理(Bayes’theorem)利用变量间条件独立性为什

2、么要用贝叶斯网络进行概率推理？理论上，进行概率推理所需要的只是一个联合概率分布。但是联合概率分布的复杂度相对于变量个数成指数增长，所以当变量众多时不可行。贝叶斯网络的提出就是要解决这个问题。它把复杂的联合概率分布分解成一系列相对简单的模块，从而大大降低知识获取和概率推理的复杂度，使得可以把概率论应用于大型问题。统计学、系统工程、信息论以及模式识别等学科中贝叶斯网络特里的多元概率模型：朴素贝叶斯模型，隐类模型，混合模型，隐马尔科夫模型，卡尔曼滤波器等。动态贝叶斯网络主要用于对多维离散时间序列的监控和预测。多层隐类模型，能够

3、揭示观测变量背后的隐结构。一个贝叶斯网络定义包括一个有向无环图（DAG）和一个条件概率表集合。DAG中每一个节点表示一个随机变量，可以是可直接观测变量或隐藏变量，而有向边表示随机变量间的条件依赖；条件概率表中的每一个元素对应DAG中唯一的节点，存储此节点对于其所有直接前驱节点的联合条件概率。贝叶斯网络有一条极为重要的性质，就是我们断言每一个节点在其直接前驱节点的值制定后，这个节点条件独立于其所有非直接前驱前辈节点。基本概念这个性质很类似Markov过程。其实，贝叶斯网络可以看做是Markov链的非线性扩展。这条特性的重要

4、意义在于明确了贝叶斯网络可以方便计算联合概率分布。一般情况先，多变量非独立联合条件概率分布有如下求取公式：而在贝叶斯网络中，由于存在前述性质，任意随机变量组合的联合条件概率分布被化简成其中Parents表示xi的直接前驱节点的联合，概率值可以从相应条件概率表中查到。例子P(C,S,R,W)=P(C)P(S

5、C)P(R

6、S,C)P(W

7、S,R,C)chainrule=P(C)P(S

8、C)P(R

9、C)P(W

10、S,R,C)since=P(C)P(S

11、C)P(R

12、C)P(W

13、S,R)since贝叶斯网络的构造及训练1、确定随机变

14、量间的拓扑关系，形成DAG。这一步通常需要领域专家完成，而想要建立一个好的拓扑结构，通常需要不断迭代和改进才可以。2、训练贝叶斯网络。这一步也就是要完成条件概率表的构造，如果每个随机变量的值都是可以直接观察的，方法类似于朴素贝叶斯分类。但是通常贝叶斯网络的中存在隐藏变量节点，那么训练方法就是比较复杂。贝叶斯网络进行推理的步骤1、对所有可观察随机变量节点用观察值实例化；对不可观察节点实例化为随机值。2、对DAG进行遍历，对每一个不可观察节点y，计算其中wi表示除y以外的其它所有节点，a为正规化因子，sj表示y的第j个子节点

15、。3、使用第三步计算出的各个y作为未知节点的新值进行实例化，重复第二步，直到结果充分收敛。4、将收敛结果作为推断值。贝叶斯网络应用医疗诊断，工业，金融分析，计算机（微软Windows,Office），模式识别：分类，语义理解军事（目标识别，多目标跟踪，战争身份识别等），生态学，生物信息学（贝叶斯网络在基因连锁分析中应用），编码学，分类聚类，时序数据和动态模型