人工智能：一种现代方法ch15 probabilistic reasoning over time 2016.pdf

Chapter 15 时间上的概率推理 1 时间与不确定性 2 时序模型中的推理 3 隐马尔可夫模型 4 卡尔曼滤波 5 动态贝叶斯网络 6 跟踪多个对象 时间与不确定性 2 静态世界{15.1}  静态世界中进行概率推理，其中每个随机变 量都有一个唯一的固定取值。  例如，在修理汽车时，我们总是假设发生故 障的部分在整个诊断过程中一直都是有故障 的；我们的任务是根据已经观察到的证据推 断汽车的状态 ，这个状态也是保持不变的。 3 证据和状态都随时间而变化时 4 动态世界{15.1}  考虑一个动态世界。我们有诸如病人近期的胰 岛素服用剂量、食物摄入量、血糖水平测量值 等证据。任务是要评价病人的当前状态，包括 真实的血糖水平和胰岛素水平。血糖水平及其 测量值会随着时间发生变化 ，这取决于近期的 食物摄入量、胰岛素剂量、新陈代谢活动、每 天里的不同时间等。为了根据历史证据评价当 前状态 ，并预测治疗方案的结果，我们必须对 这些变化建模。 5 时间片{15.1.1}  将世界看作一系列时间片 ，每个时间片包含 了一组随机变量，其中一部分是可观察的， 而另一部分是不可观察的。符号X 来表示在 t 时刻t的不可观察的状态变量集，符号E 表 t 示可观察的证据变量集。时刻t的观察结果 为E = e ，e 是变量值的某个集合。 t t t 6 雨伞问题{15.1.1}  考虑雨伞问题 ：你是某个秘密地下设施的警 卫。你想知道今天是否会下雨，但是你了解 外界的唯一渠道是你每天早上观察主管进来 时有没有带着雨伞。在每天t ，集合E 只包 t 含单一证据变量Umbrella 或简写形式U （ t t 雨伞是否出现了），而集合X 也只包含单一 t 状态变量Rain 或简写形式R （是否在下雨 t t ）。 7 变量的整数标注{15.1.1}  状态序列从时刻t = 0开始；我们假设证据 变量从t = 1开始。雨伞问题被表示为状态 变量R , R , R , …以及证据变量U , U , … 0 1 2 1 2