matlab bnt（贝叶斯网络）实例

#matlab bnt下的贝叶斯网络实例

#贝叶斯网络实例#详细教程

1.向matlab中添加FULLBNT

参照链接：https://blog.csdn.net/moodytong/article/details/8122327

采用MATLAB语言编制的贝叶斯网络工具箱(Bayesian Networks Toolbox,BNT)可实现贝叶斯网络结构学习、参数学习、推理和构建贝叶斯分类器,此工具箱在贝叶斯学习编程方面非常灵活。
官方主页：http://www.cs.ubc.ca/~murphyk/Software/BNT/bnt.html
官方下载：http://www.cs.ubc.ca/~murphyk/Software/BNT/FullBNT-1.0.4.zip
原文链接：http://hi.baidu.com/zgyz/blog/item/2d3627f415c7fbe77709d763.html
贝叶斯网络：http://www.cs.ubc.ca/~murphyk/Software/BNT/bnt.html
语音工具箱：http://www.ee.ic.ac.uk/hp/staff/dmb/voicebox/voicebox.html
1、解压FullBNT-1.0.4.zip，将整个目录FullBNT-1.0.4复制到MATLAB的安装目录的TOOLBOX目录下，如D:\MATLAB7\toolbox
2、打开Matlab，在MATLAB命令窗口中输入以下命令：
>> cd D:\MATLAB7\toolbox\FullBNT-1.0.4
>> addpath(genpathKPM(pwd))
>>
将TOOLBOX下新加的BNT工具箱加到MATLAB的搜索路径中去。
添加BNT工具箱的MATLAB的搜索路径也可采用如下指令
>> addpath(genpath(‘D:\MATLAB7\toolbox\FullBNT-1.0.4’))
>>
3、为了永久保存上面的路径，以免下次重启MATLAB时重新添加，在MATLAB命令窗口下使用下面的命令：
>> savepath
>>
4、检验是否成功设置的方法：
在命令窗口中输入以下命令：which test_BNT.m（可以为所加工具箱的任一个M文件名称），如果显示正确，就说明上面的设置成功。
>> which test_BNT.m
D:\MATLAB7\toolbox\FullBNT-1.0.4\BNT\test_BNT.m
>>

2.仿真实例

 使用简单的例子，其中节点选取多个状态（三个），构造父节点的先验概率，以及子节点的条件概率，并解释matlab bnt代码：以下是构建的简单贝叶斯网络结构图。其中攻击能力节点的状态分为：高、中、低；载弹量节点的状态分为：多、中、少；目标类型的节点状态分为：战斗机、轰炸机、导弹；

攻击能力的先验概率：攻击能力为高的概率为30%，攻击能力为中等的概率为30%，攻击能力为低的概率为40%。
攻击能力的条件概率见下图（注意这个条件概率和大家理解的相反，一般人们的逻辑是弹载量为多，则攻击能力为高的概率为多少；但这个正好相反）。

在编写程序时用1，2，3来代表对应节点状态的少，中，多。接下来就可以进行bnt程序的编写了。

N = 4;%节点数量
dag = zeros(N,N);
C=1;
P=2;
M=3;
K=4;
%对节点进行排序
dag( C,[P M K] ) = 1;%设置节点的网络结构
discrete_nodes = 1:N;
node_sizes=3*ones(1,N);%设置节点的状态个数，本例的节点状态数均为3，若不规则也可用[2 3 3 3]来描述
draw_graph(dag);%画出网络
bnet=mk_bnet(dag,node_sizes,'names',{'C','P','M','K'},'discrete',discrete_nodes);
bnet.CPD{C}=tabular_CPD(bnet,C,[0.4,0.3,0.3]);
bnet.CPD{P}=tabular_CPD(bnet,P,[0.66,0.19,0.10,0.25,0.63,0.19,0.09,0.18,0.71]);
bnet.CPD{M}=tabular_CPD(bnet,M,[0.69,0.16,0.11,0.20,0.66,0.22,0.11,0.18,0.67]);
bnet.CPD{K}=tabular_CPD(bnet,K,[0.69,0.17,0.13,0.21,0.65,0.19,0.10,0.18,0.68]);
%设置贝叶斯网络，注意和上表的对应情况
%数字小的排在前面，如C和P的条件网络，并且按照C=1,P=1;C=1,P=2;C=1,P=3...排列
engine=jtree_inf_engine(bnet);%确定推理引擎
evidence=cell(1,N);%1*N的空cell类型向量,元素可以是任意类型数据
evidence{P}=input('P=');  evidence{M}=input('M='); evidence{K}=input('K=');%在命令窗口输入证据
[engine,loglik]=enter_evidence(engine,evidence);
m=marginal_nodes(engine,C);
Z=m.T(1)
bar(m.T)%画出各个状态的概率分布图