人工智能15探讨.pptVIP

人工智能　━━　一种现代方法 云南大学 施心陵讲授 第十五章 关于时间的概率推理 时间和不确定性 Xt：在t时刻的不可观察状态变量集。e.g.BloodSugart Et：在t时刻的可观察证据变量集，时刻t的观察结果为Et=et e.g.MeasuredBloodSugart Xa:b = Xa,Xa+1,…,Xb-1,Xb 马尔可夫过程 条件概率分布 模型的修正： 提高马尔可夫过程的阶数 扩大变量集合 时序模型中的推理 滤 波 平 滑 解 释 隐马尔可夫模型（HMM） 改进的前向-后向算法： 同时向相同的方向传递f和b， f1:t+1 = αOt+1TTf1:t O-1t+1f1:t+1 = αTTf1:t α’(TT)-1O-1t+1f1:t+1 = f1:t （转移矩阵可逆，且传感器模型无零元素） 在常数空间完成平滑和序列长度无关 卡尔曼滤波器 根据随时间变化且带有噪声的观察数据去估计物理系统的状态。 更新高斯分布 简单的一维例子 一般卡尔曼更新 多模卡尔曼滤波器 对非线性系统，转移模型不能描述为状态向量的矩阵乘法。 扩展卡尔曼滤波器：将在xt=μt附近的状态xt当做是局部线性的。 每个时间片都具有任意数量的状态变量Xt和证据变量Et DBN vs Kalman滤波器 每个卡尔曼