基于MATLAB的贝叶斯网络(BNT)工具箱的使用与实例ppt课件.ppt

《基于MATLAB的贝叶斯网络(BNT)工具箱的使用与实例ppt课件.ppt》由会员分享，可在线阅读，更多相关《基于MATLAB的贝叶斯网络(BNT)工具箱的使用与实例ppt课件.ppt（18页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、火灾袭来时要迅速疏散逃生，不可蜂拥而出或留恋财物，要当机立断，披上浸湿的衣服或裹上湿毛毯、湿被褥勇敢地冲出去基于MATLAB的BNT工具箱的使用与实例火灾袭来时要迅速疏散逃生，不可蜂拥而出或留恋财物，要当机立断，披上浸湿的衣服或裹上湿毛毯、湿被褥勇敢地冲出去工具箱的安装下载FullBNT.zip文件。解压文件。编辑FullBNT/BNT/add_BNT_to_path.m让它包含正确的工作路径。BNT_HOME=FullBNT的工作路径;打开Matlab。运行BNT需要Matlab版本在V5.2以上。键入add_BNT_to_path，执行这个命令。添加路径。添加所有的文件夹在Matlab的路

2、径下。键入test_BNT，看看运行是否正常，这时可能产生一些数字和一些警告信息。（你可以忽视它）但是没有错误信息。火灾袭来时要迅速疏散逃生，不可蜂拥而出或留恋财物，要当机立断，披上浸湿的衣服或裹上湿毛毯、湿被褥勇敢地冲出去基于MATLAB的BNT工具箱的使用与实例CreatingyourfirstBayesnet创建你的第一个贝叶斯网络火灾袭来时要迅速疏散逃生，不可蜂拥而出或留恋财物，要当机立断，披上浸湿的衣服或裹上湿毛毯、湿被褥勇敢地冲出去N=4；%节点为4父节点父节点子节点子节点12,32434Dag=zeros(N,N);dag(1,23)=1;dag(2,4)=1;dag(3,4)=

3、1;节点类型：discrete_nodes=1:4;节点大小：node_sizes=2,2,2,2;节点均有两个取值：F&Tbnet=mk_bnet(dag,node_sizes,names,names,C,S,R,W,C,S,R,W,discrete,discrete_nodes，)当然，也可以进行简写,将节点大小和类型与贝叶斯网的建立整合：bnet=mk_bnet(dag,2,2,2,2,names,C,S,R,W,discrete,1:4)火灾袭来时要迅速疏散逃生，不可蜂拥而出或留恋财物，要当机立断，披上浸湿的衣服或裹上湿毛毯、湿被褥勇敢地冲出去参数（parameters）条件概率分布C

4、PD最简单的是CPT：条件概率表CPT，conditional probability tables,是作为多为数组存储的。注意：子节点，通常是最后一维；在MATLAB中，数组索引从1开始，按照惯例false（假）=1,true（真）=2例如：节点w最后一维最后一维创建条件概率表CPT=zeros(2,2,2);CPT(1,1,1)=1.0；CPT(2,1,1)=0.1;CPT(2,2,2)=0.99;CPT=reshape(1,0.1,0.10.99，2,2,2);利用tabular_CPDbnet.CPDC=tabular_CPD(bnet,C,0.50.5);bnet.CPDR=tabu

5、lar_CPD(bnet,R,0.80.20.20.8);bnet.CPDS=tabular_CPD(bnet,S,0.50.90.50.1);bnet.CPDW=tabular_CPD(bnet,W,10.10.10.0100.90.90.99);火灾袭来时要迅速疏散逃生，不可蜂拥而出或留恋财物，要当机立断，披上浸湿的衣服或裹上湿毛毯、湿被褥勇敢地冲出去Draw_graph(dag)绘制图形火灾袭来时要迅速疏散逃生，不可蜂拥而出或留恋财物，要当机立断，披上浸湿的衣服或裹上湿毛毯、湿被褥勇敢地冲出去推理（Inference）贝叶斯网络中有许多不同的算法来作为推断的的工具，在速度、复杂性、普遍性

6、和精确性上有不同的表现。BNT因此提供了多种多样的不同的推断引擎。联合树引擎联合树引擎-所有精确推断引擎的根本jtree_inf_engine调用方法：调用方法：engine=jtree_inf_engine(bnet);推理计算：回到上面，我们已经建立了一个关于草地湿润的例子。洒水器和下雨均可能打湿草坪，现在计算洒水器导致草地湿润的概率。题目中，证据为草地湿润即，W=2。后面杨海滨同学会做详细介绍。火灾袭来时要迅速疏散逃生，不可蜂拥而出或留恋财物，要当机立断，披上浸湿的衣服或裹上湿毛毯、湿被褥勇敢地冲出去evidence=cell(1,N);evidenceW=2;%证据为W=2engine

7、,loglik=enter_evidence(engine,evidence);%把证据添加进引擎marg=marginal_nodes(engine,S);%指定计算S的概率分布marg.T；%计算P(S=1|W=2)与P(S=2|W=2)marg.T(2);%计算P(S=2|W=2)的边缘概率当然，证据也可以是多维数组。当然，证据也可以是多维数组。marg=marginal_nodes(engine,S R W);%指定计算指定计算S R W 的联合概率的联合概率分布分布,也就是也就是P(S,R,W)。无证据情况下结果为：ans(:,:,1)=0.29000.04100.02100.000

8、9ans(:,:,2)=00.36900.18900.0891Evidence（R）=2；marg.T;有证据情况下结果为：ans(:,:,1)=0.08200.0018ans(:,:,2)=0.73800.1782火灾袭来时要迅速疏散逃生，不可蜂拥而出或留恋财物，要当机立断，披上浸湿的衣服或裹上湿毛毯、湿被褥勇敢地冲出去dag=zeros(4,4);dag(1,2 3)=1;dag(2,4)=1;dag(3,4)=1;draw_graph(dag);bnet=mk_bnet(dag,2,2,2,2,names,C,S,R,W,discrete,1:4);bnet.CPDC=tabular_C

9、PD(bnet,C,0.5 0.5);bnet.CPDR=tabular_CPD(bnet,R,0.8 0.2 0.2 0.8);bnet.CPDS=tabular_CPD(bnet,S,0.5 0.9 0.5 0.1);bnet.CPDW=tabular_CPD(bnet,W,1 0.1 0.1 0.01 0 0.9 0.9 0.99);engine=jtree_inf_engine(bnet);evidence=cell(1,4);engine,loglik=enter_evidence(engine,evidence);marg=marginal_nodes(engine,R S W);

10、marg.T;网络结构参数推理火灾袭来时要迅速疏散逃生，不可蜂拥而出或留恋财物，要当机立断，披上浸湿的衣服或裹上湿毛毯、湿被褥勇敢地冲出去参数学习从完整的数据中进行最大似然参数估计从完整的数据中进行最大似然参数估计：还是以湿草坪为例：还是以湿草坪为例：首先，我们用正向采样创建一些训练数据。samples=cell(N,nsamples);fori=1:nsamplessamples(:,i)=sample_bnet(bnet);Enddata=cell2num(samples);然后，Make a tabula rasabnet2=mk_bnet(dag,node_sizes);seed=0;

11、rand(state,seed);bnet2.CPDC=tabular_CPD(bnet2,C);bnet2.CPDR=tabular_CPD(bnet2,R);bnet2.CPDS=tabular_CPD(bnet2,S);bnet2.CPDW=tabular_CPD(bnet2,W);接着，查找最大似然估计的参数bnet3=learn_params(bnet2,samples);最后，为了查看学习后的参数，我们可以用下面的方法：CPT3=cell(1,N);fori=1:Ns=struct(bnet3.CPDi);%violateobjectprivacyuhuiCPT3i=s.CPT;火

12、灾袭来时要迅速疏散逃生，不可蜂拥而出或留恋财物，要当机立断，披上浸湿的衣服或裹上湿毛毯、湿被褥勇敢地冲出去学习了节点4的参数：dispcpt(CPT34)Samples=20,50,100时，节点4的参数越来越接近真实值原概率表参数学习火灾袭来时要迅速疏散逃生，不可蜂拥而出或留恋财物，要当机立断，披上浸湿的衣服或裹上湿毛毯、湿被褥勇敢地冲出去如果有数据，就不需要手动获取样本，只需要将数据加载即可。加载数据进行参数学习：先将刚刚得到的样本保存为datatest.txt参数学习data=load(datatest.txt);samples=data;bnet2=dispcpt（火灾袭来时要迅速疏散

13、逃生，不可蜂拥而出或留恋财物，要当机立断，披上浸湿的衣服或裹上湿毛毯、湿被褥勇敢地冲出去EM数据缺失情况学习结果：结果：CPT41=0.46700.5330CPT42=0.46160.53840.94950.0505CPT43=0.89580.10420.19370.8063CPT44=(:,:,1)=1.00000.10370.09150.0010(:,:,2)=00.89630.90850.9990火灾袭来时要迅速疏散逃生，不可蜂拥而出或留恋财物，要当机立断，披上浸湿的衣服或裹上湿毛毯、湿被褥勇敢地冲出去手动建立简单的贝叶斯网络-调用的函数有：mk_bnettabular_CPDjtree

14、_inf_engine参数学习-完整数据下的最大似然估计、数据缺失下EM算法简单的样本训练、数据加载及学习1、MATLAB学习：下载了MATLAB教程课件，边敲代码边记笔记，更加细致地学习了变量及数组相关内容2、本周已初步掌握贝叶斯工具箱的使用：能够对离散型数据进行参数学习与推理。3、银行个人客户数据的测试工作遇到问题：客户数据中有连续型、离散型两种，目前未能对连续型数据进行处理。此外离散型数据中有，如日期（1-30号）、月份（1-12号），年龄（最小18，最大87），通话时长（最短4s，最长3500s）等，如此数据应不能直接用MATLAB测试，就算可以直接测试，效果肯定也不理想，需要进行数据

15、预处理。回顾火灾袭来时要迅速疏散逃生，不可蜂拥而出或留恋财物，要当机立断，披上浸湿的衣服或裹上湿毛毯、湿被褥勇敢地冲出去推理（Inference）BNT提供了多种多样的不同的推断引擎。联合树算法：jtree_inf_engine变量消元算法：var_elim_inf_engine全局推理算法：enumerative_inf_engine,gaussian_inf_engine,andcond_gauss_inf_engine快速打分算法：quickscore_inf_engine采样算法：likelihood_weighting_inf_engine、gibbs_sampling_inf_en

16、gine调用方法：所有推理算法的调用都相同：engine=jtree_inf_engine(bnet);%指定引擎engine,loglik=enter_evidence(engine,evidence);%添加证据marg=marginal_nodes(engine,S);%指定需要计算的节点marg.T；显示结果火灾袭来时要迅速疏散逃生，不可蜂拥而出或留恋财物，要当机立断，披上浸湿的衣服或裹上湿毛毯、湿被褥勇敢地冲出去推理举例贝叶斯网络精确推理:计算P(S=2|W=2)的概率var_elim_inf_engine为变量消元法,jtree_inf_engine为联合树推理（团树传播法）见inference1.贝叶斯网络近似推理:计算P(S=2|W=2)的概率likelihood_weighting_inf_engine为重要性抽要推理见inference2.火灾袭来时要迅速疏散逃生，不可蜂拥而出或留恋财物，要当机立断，披上浸湿的衣服或裹上湿毛毯、湿被褥勇敢地冲出去结构学习火灾袭来时要迅速疏散逃生，不可蜂拥而出或留恋财物，要当机立断，披上浸湿的衣服或裹上湿毛毯、湿被褥勇敢地冲出去使用K2算法，对根据wetgrass例子的CPD生成随机数列，进行结构学习，建立贝叶斯网络图。见：wetgrassdata.txt;K2_wetgrassdata文件结构学习举例：