资料下载
×
贝叶斯网络精确推理算法的研究
消耗积分:5 |
格式:rar |
大小:144 |
2009-08-15
分享资料个
贝叶斯网络是以概率理论为基础的不确定知识表示模型，贝叶斯网络推理的目的是得到随机变量的概率分布。目前，最流行的推理算法是联合树算法，它的主要思想是将贝叶斯网络转化为一棵无向树，在无向树上完成消息传递过程，求出原贝叶斯网络中任意随机变量的概率分布。为了降低算法的计算时空复杂度，对算法进行了不断的改进，为贝叶斯网络推理算法的进一步研究提供了条件。
贝叶斯网络(Bayesian Network)又称信度网(Belief Network)、概率网(Probability Network)是美国加州大学J.Pearl 教授首次完整提出的，是继模糊逻辑、可信度方法和神经网络等方法之后的不确定知识表示模型，它不仅有着坚实的概率论理论基础，同时又能够很好地同专家头脑中的知识结构相对应，所以引起了人们广泛重视，在医疗诊断系统，数据挖掘，决策支持系统，软件开发过程的软件测试，网站的智能导航，电力系统的可靠性分析、故障诊断等都有着重要的应用价值和广阔的应用，已经成为人工智能领域对不确定性知识的描述和推理十分重要的方法[1]。图1 是一个简单的贝叶斯网络。
贝叶斯网络的推理是贝叶斯网络研究的重要内容，研究人员提出了多种精确和近似推理算法，其中联合树(Junction Tree)算法[2]，又称为Clique Tree 算法、Clustering 算法，是目前计算速度最快，应用最广的贝叶斯网络精确推理算法。该算法最初是由Lauritzen and Spiegelhalter (1988)提出的，此后Jensen(1990)和Dawid(1992)又对其进行了改进。联合树算法以其容易理解，计算推理结果精确，高效的特点，得到广泛应用，许多有关贝叶斯网络研究和应用的软件都将其作为默认的推理算法。
贝叶斯网络(Bayesian Network)又称信度网(Belief Network)、概率网(Probability Network)是美国加州大学J.Pearl 教授首次完整提出的，是继模糊逻辑、可信度方法和神经网络等方法之后的不确定知识表示模型，它不仅有着坚实的概率论理论基础，同时又能够很好地同专家头脑中的知识结构相对应，所以引起了人们广泛重视，在医疗诊断系统，数据挖掘，决策支持系统，软件开发过程的软件测试，网站的智能导航，电力系统的可靠性分析、故障诊断等都有着重要的应用价值和广阔的应用，已经成为人工智能领域对不确定性知识的描述和推理十分重要的方法[1]。图1 是一个简单的贝叶斯网络。
贝叶斯网络的推理是贝叶斯网络研究的重要内容，研究人员提出了多种精确和近似推理算法，其中联合树(Junction Tree)算法[2]，又称为Clique Tree 算法、Clustering 算法，是目前计算速度最快，应用最广的贝叶斯网络精确推理算法。该算法最初是由Lauritzen and Spiegelhalter (1988)提出的，此后Jensen(1990)和Dawid(1992)又对其进行了改进。联合树算法以其容易理解，计算推理结果精确，高效的特点，得到广泛应用，许多有关贝叶斯网络研究和应用的软件都将其作为默认的推理算法。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
