python实现简易动态贝叶斯网络的推断

Genle上构建的动态贝叶斯网络

动态贝叶斯网络构建参考的b站某个搬运的国外视频

看完这个展开后的图，我决定自己试试用python实现这样一个简易动态贝叶斯网络。

python实现动态贝叶斯网络

具体的贝叶斯网络知识网上有很多，用的都是pgmpy，大概步骤都是
1）定义贝叶斯网络的节点和边；
2）定义根节点先验概率和其他节点条件概率
3）将条件概率cpd和网络关联
4）完成需要的推理
下面上代码（非专业人员，很多地方写的不好，见谅，欢迎提出宝贵意见和想法）

from pgmpy.models import BayesianNetwork
from pgmpy.factors.discrete import TabularCPD
from pgmpy.inference import VariableElimination
# 定义贝叶斯网络结构,不同时刻贝叶斯网络不一样，假设每个时刻结构已知，设置为3个时间步
t=3
DBN= [BayesianNetwork() for _ in range(t+1)]
#条件概率
cpd = {}
for k in ['A','B','C','D']:#节点集合cpd.update({k:[]})

#对时间遍历，定义不同时刻的图模型，条件概率，并关联条件概率表
for i in range(0,t):cpd['A'].append(TabularCPD(variable='A' + str(i), variable_card=2, values=[[0.5], [0.5]]))#先验时序节点定义if i == 0:cpd['B'].append(TabularCPD(variable='B' + str(i), variable_card=2, values=[[0.5, 0.5], [0.5, 0.5]],evidence=['A' + str(i)], evidence_card=[2]))cpd['C'].append(TabularCPD(variable='C' + str(i), variable_card=2, values=[[0.5, 0.5], [0.5, 0.5]],evidence=['A' + str(i)], evidence_card=[2]))cpd['D'].append(TabularCPD(variable='D' + str(i), variable_card=2, values=[[1., 0.], [0., 1.]],evidence=['C' + str(i)], evidence_card=[2]))DBN[i] = BayesianNetwork([('A'+str(i), 'B'+str(i)), ('A'+str(i), 'C'+str(i)), ('C'+str(i), 'D'+str(i))])for k in ['A', 'B', 'C', 'D']:#对节点进行遍历DBN[i].add_cpds((cpd[k][i]))print(DBN[i].check_model())infer = VariableElimination(DBN[i])for k in ['B']:#待推断的并且作为下一个时刻节点输入的根节点结合temp= infer.query(variables=[k+str(i)])print(k+str(i),[[temp.values[0]], [temp.values[1]]])cpd[k][i] = TabularCPD(variable=k+str(i), variable_card=2,values=[[temp.values[0]], [temp.values[1]]])#将其更新为先验概率，即下一个时刻的根节点概率

    if i >0:cpd['B'].append(TabularCPD(variable='B' + str(i), variable_card=2, values=[[0.625, 0.3,0.6,0.1], [0.375,0.7,0.4,0.9]],evidence=['A' + str(i),'B' + str(i-1)], evidence_card=[2,2]))print(cpd['B'][1])cpd['C'].append(TabularCPD(variable='C' + str(i), variable_card=2, values=[[0.5, 0.5], [0.5, 0.5]],evidence=['A' + str(i)], evidence_card=[2]))cpd['D'].append(TabularCPD(variable='D' + str(i), variable_card=2, values=[[1,1,1,0], [0,0,0,1]],evidence=['C' + str(i),'B' + str(i-1)], evidence_card=[2,2]))DBN[i] = BayesianNetwork([('A' + str(i), 'B' + str(i)), ('A' + str(i), 'C' + str(i)), ('C' + str(i), 'D' + str(i)),('B' + str(i-1), 'B' + str(i)),('B' + str(i-1), 'D' + str(i))])#DBN[i].add_node('B' + str(i-1))#DBN[i].add_edge(('B' + str(i-1), 'B' + str(i)),('B' + str(i-1), 'D' + str(i)))#在初始贝叶斯模型上更新模型#print(DBN[i].nodes)for k in ['A', 'B', 'C', 'D']:#对节点进行遍历DBN[i].add_cpds((cpd[k][i]))for k in ['B']:  # 待推断的并且作为下一个时刻节点输入的根节点结合DBN[i].add_cpds((cpd[k][i-1]))print(DBN[i].check_model())infer = VariableElimination(DBN[i])for k in ['B']:#待推断的并且作为下一个时刻节点输入的根节点结合temp = infer.query(variables=[k + str(i)])print(k+str(i)+'的先验概率',[[temp.values[0]], [temp.values[1]]])cpd[k][i] = TabularCPD(variable=k+str(i), variable_card=2,values=[[temp.values[0]], [temp.values[1]]])#将其更新为先验概率，即下一个时刻的根节点概率
infer = VariableElimination(DBN[2])
temp = infer.query(variables=['D2'])
print(temp)

推断的概率和用软件算的应该一样，不过重要度计算和参数估计按我这样写应该不太行。

python实现简易动态贝叶斯网络的推断相关推荐

动态贝叶斯网络中TBN与DBN的区别
Temporal Bayesian Network (TBN): the model structure does not change over time slices, i.e., the m ...
在Python中使用贝叶斯网络的实例
我们在之前的文章中(请见文末给出的参考资料[1])已经介绍了贝叶斯网络的基本原理,以及基于贝叶斯网络进行概率推断(Exact Inference)的消去法.本文将结合一个具体的例子来演示在Python ...
Python和贝叶斯网络：贝叶斯理论(6)
在前面的章节中我们学习了贝叶斯网络的基本知识.本章将利用Python建立如下图所示的贝叶斯网络: 在Python中建立贝叶斯网络要引入pgmpy包和pandas包,然后编写如下代码: from pgm ...
贝叶斯分类器与贝叶斯网络
原文地址:贝叶斯分类器与贝叶斯网络作者:yfx416 贝叶斯分类器是一种基于贝叶斯公式的分类器,是一种基于统计的分类器,它计算在某一特征向量的前提下,各种分类可能出现的概率.把概率最大的那个类当作最终 ...
西瓜书+实战+吴恩达机器学习（二一）概率图模型之贝叶斯网络
文章目录 0. 前言 1. 贝叶斯网络结构 2. 近似推断 2.1. 吉布斯采样 3. 隐马尔可夫模型HMM 如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔,我会非常开心的~ 0. 前言概率 ...
机器学习数据挖掘笔记_18（PGM练习二：贝叶斯网络在遗传图谱在的应用）
前言: 这是coursera课程:Probabilistic Graphical Models 上的第二个实验,主要是用贝叶斯网络对基因遗传问题进行一些计算.具体实验内容可参考实验指导教材:bayes ...
贝叶斯网络(Bayesian Network)
贝叶斯网络贝叶斯网络(Bayesian Networks)也被称为信念网络(Belif Networks)或者因果网络(Causal Networks),是描述数据变量之间依赖关系的一种图形模式,是 ...
一起自学SLAM算法：7.4 基于贝叶斯网络的状态估计
连载文章,长期更新,欢迎关注: 写在前面第1章-ROS入门必备知识第2章-C++编程范式第3章-OpenCV图像处理第4章-机器人传感器第5章-机器人主机第6章-机器人底盘第7章-SLA ...
贝叶斯网络入门系列之一：资料篇
贝叶斯网络入门之一:资料篇基础教材视频教程编程实现好文分享基础知识篇: 基础教材基础教材推荐的是2006年出版的<贝叶斯网络引论>[张连文,郭文鹏],总体分为四个部分: ①贝叶 ...
贝叶斯网络推理算法简单罗列
题目:贝叶斯网络推理算法简单罗列上一篇<贝叶斯网络与最大可能解释(MPE)问题>理清了最大可能解释(Most Probable Explanation, MPE)的概念,接下来准备在MA ...

python实现简易动态贝叶斯网络的推断

Genle上构建的动态贝叶斯网络

python实现动态贝叶斯网络

python实现简易动态贝叶斯网络的推断相关推荐

最新文章

热门文章