从贝叶斯定理到模糊贝叶斯动态网络

贝叶斯定理公式:

p(c)为类先验概率
p(x|c)为样本x相对于类别c的条件概率
p(x)用于归一化的证据因子,对给定样本x,与类别无关
p(c|x)即后验概率,我们想要求得的概率

从贝叶斯定理到朴素贝叶斯分类器:
由上面贝叶斯定理公式来估计后验概率的主要困难在于:类条件概率 是所有属性上的联合概率,难以从有限的训练样本中直接估计而得,为避开这个障碍,假设属性之间独立,即为朴素贝叶斯。
基于属性条件独立性假设,由贝叶斯定理可得下式:

其中 d为属性数目, xi 为第i个属性的取值,对于所有类别来说 相同,因此上式可改写为下式,即为朴素贝叶斯分类器表达式:

朴素贝叶斯分类器的例子就不举了,推荐看周志华老师的西瓜书贝叶斯的例子,很通俗易懂

从朴素贝叶斯分类器到静态贝叶斯网
贝叶斯网是一种有向无环图,来刻画属性之间的依赖关系,并使用条件概率表来描述属性的联合概率分布,给定父结点集,贝叶斯网假设每个属性与他的非后裔属性独立,如下图所示。

贝叶斯网中包含隐含节点(好瓜、甜度),观测节点(敲声、色泽、根蒂),确定好贝叶斯网结构后,需要确定先验概率,条件概率表,代入公式计算所有节点的联合概率。公式与朴素贝叶斯分类器公式相像。贝叶斯网中父结点可以是多个的。

贝叶斯网计算公式:

π代表x的父结点集合

西瓜网络的计算公式为:

从静态贝叶斯网到动态贝叶斯网:
动态贝叶斯实质上是在静态网络中加入了时间因素,动态指的是时间的变化,而不是网络结构的动态,这里举一个空战中威胁评估的例子。在防空威胁评估中,一个检测目标的威胁等级往往取决于该目标的速度、高度、距离、类型、航路捷径等因素。建立静态贝叶斯网如下图。

动态网络,两个时间片:

动态贝叶斯网络求解所需要的条件:
先验网络:即静态贝叶斯网络,确定网络拓扑结构;
先验概率:相当于求好瓜里面的 p©值,一般由专家知识给出,取值一般较折衷;
条件概率表:表内存储例如在威胁等级为高的情况下目标速度为高的概率,一般由专家知识给出。
状态转移概率表:计算出t时刻的威胁等级后,乘状态转移概率表所得作为下一时刻的先验概率。
监测目标的状态值:一般为离散的,可通过观测,仪器检测得到。
在进行防空威胁评估时,往往无法确定某检测目标属于高、中、低的准确值,于是引入模糊数学的概念,在西瓜例子中先验概率 p©为一个具体值,引入模糊概念后,先验概率变为了一个模糊集合,如监测目标威胁度对高中低的隶属度分别为(0.3,0.3,0.4),在计算过程中也有所不同,多了一个累加的过程。

*模糊动态贝叶斯网计算步骤:

具备先验概率、条件概率表、状态转移概率表、监测目标观测值四个前提后,按照下式计算:



上式还需要乘对应等级的先验概率,最后对,高、中、低三种概率值做归一化处理。得到是当前时刻的威胁模糊集合,乘状态转移矩阵,即可作为下一时刻的先验概率,以此类推

从贝叶斯定理到模糊动态贝叶斯网络相关推荐

  1. 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 ...

  2. 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 ...

  3. 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 ...

  4. 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 ...

  5. 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 ...

  6. 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 ...

  7. 有关贝叶斯概率和贝叶斯网络和贝叶斯因果网络的自习笔记

    回校一周了,前段时间忙活着组会讨论班的事儿,然后安装了一个Ubuntu的双系统,暂时不想码代码先把一直好奇的贝叶斯网络了解下. 贝叶斯概率 首先是贝叶斯概率.贝叶斯作为泥腿子颠覆了前人"事件 ...

  8. 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 ...

  9. 贝叶斯思想概述:从贝叶斯定理到贝叶斯网络

    翻译 | AI科技大本营(ID:rgznai100) 参与 | 刘畅 假设世界上存在一种非常罕见的疾病,你患有这种疾病的几率只有千分之一.你想知道你是否被感染了,所以你做了一个99%准确的测试...且 ...

  10. 贝叶斯系列——贝叶斯定理、贝叶斯决策、朴素贝叶斯、贝叶斯网络、贝叶斯滤波器

    写一个贝叶斯系列,整理一下贝叶斯定理.贝叶斯决策.朴素贝叶斯.贝叶斯网络.贝叶斯滤波器 众所周知,概率分为两个学派,频率学派(大数定理)和贝叶斯学派(贝叶斯公式),我们不去判断哪个学派说的更对,但是在 ...

最新文章

  1. Java程序员月薪20k的涨薪秘籍:培训班java找不到工作
  2. JdbcTemplate在Spring的ioc中使用
  3. python图像复制、显示、保存
  4. java 工程ssl配置_JAVA_SSL配置
  5. 解读阿里云oss-android/ios-sdk 断点续传(多线程)
  6. oracle em 空白,Oracle em中出现按钮乱码的实际解决方案
  7. cocos2d-x 3.0rc开发指南:Windows下Android环境搭建
  8. python将图片作为变量_遍历图像列表并在python中将其作为变量分配
  9. 社交游戏Zynga之死
  10. CCF NOI1020 数字识别
  11. 图像语义分割(12)-重新思考空洞卷积: 为弱监督和半监督语义分割设计的简捷方法
  12. OSI七层网络与TCP/IP五层网络架构及二层/三层网络
  13. 多线程支持断点续传的文件传输--(摘自大富翁)
  14. 901c语言程序设计6,2018年中央财经大学信息院901C语言程序设计考研核心题库
  15. 深度学习实战(4)如何向BERT词汇表中添加token,新增特殊占位符
  16. 一秒批量修改文件扩展名(后缀名)
  17. 软件测试的国家标准及链接,软件测试相关国家标准.doc
  18. docker之nginx镜像优化4
  19. sumo 和 cesium 的简单联合仿真
  20. Activiti 流程图高亮显示

热门文章

  1. 将时间戳转为中国标准时间
  2. Python连接DB2数据库
  3. JavaScript学习指南 修订版pdf
  4. linux中的命令ls -1,Linux常用命令 ls 入门基础知识
  5. 分布式存储 HDFS原理
  6. Excel-舒尔特方格(专注力训练)
  7. 利用批处理查看dll中的函数
  8. Web 插件 之 ECharts 实现中国地图数据的简单展示实现
  9. QQ官方单向好友删除 免软件
  10. seay代码审计工具_“代码审计”了解一下