贝叶斯网络的推理与学习算法综述.docxVIP

贝叶斯网络的推理与学习算法综述 1 贝叶斯网络模型 现实世界中存在着许多不确定现象。专家、决策者、挖掘和其他领域需要有效地表达、论证和学习不确定性信息和知识。概率模型是处理随机现象的有力工具。人们长期研究基于概率主义理论有效处理信息和知识，提出并实施了许多基于概率主义的智能信息系统模型和方法。贝叶斯网络是最具代表性的智能信息系统模型。 贝叶斯网络的奠基性工作是数学家Bayes撰写的一篇具有哲学性的论文:An Essay toward Solving a Problem in the Doctrine of Chances.Jeffreys的著作《概率论》标志着贝叶斯学派的形成,针对无信息先验分布,Jeffreys提出了重要的杰弗莱准则.在对图的拓扑结构与变量之间条件独立性之间的关系深入研究的基础上,美国加州大学的Pearl于1988年首次提出了贝叶斯网络模型. 贝叶斯网络一经提出,就引起了广泛的关注,该网络基于概率理论和图论,既有牢固的数学基础,又有形象直观的语义,是目前不确定知识表示和推理领域中最有效的理论模型之一.贝叶斯网络不仅具有强大的建模功能,而且具有完美的推理机制,贝叶斯网络能够通过有效融合先验知识和当前观察值来完成各种查询.在过去的二十多年里,贝叶斯网络在很多领域证明了其价值,其中包括医疗诊断、治疗规划、机器故障诊断、用户建模、自然语言理解、规划、计算机视觉、机器人、