《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）》请在三一办公上搜索。
1、基于MATLAB的BNT工具箱的使用与实例,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。,基于MATLAB的BNT工具箱的使用与实例Creating your firs
2、t Bayes net 创建你的第一个贝叶斯网络,N=4；%节点为4,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&T,bnet = mk_bnet(dag, node_sizes, names, 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),参数（parameters）条件概率分布CPD最简单的是CPT：条件概率表,C
3、PT，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,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, 0.5 0.5); bnet.CPDR = tab
4、ular_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);,Draw_graph(dag)绘制图形,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-所有精确推断引擎的根本jtree_inf_engine调用方法：engine =
5、 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。,evidence = cell(1,N);evidenceW = 2;%证据为W=2engine, 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.
6、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。marg = marginal_nodes(engine, S R W); %指定计算S R W 的联合概率分布,也就是P(S,R,W)。,无证据情况下结果为：ans(:,:,1) = 0.2900 0.0410 0.0210 0.0009ans(:,:,2) = 0 0.3690 0.1890 0.0891,Evidence（R）=2；marg.T;有证据情况下结果为：ans(:,:,1) = 0.0820 0.0018ans(:,:,2) = 0.7380 0.1782,dag=zeros(4,4);dag(1,2
7、 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_CPD(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)
8、;,engine = jtree_inf_engine(bnet);evidence = cell(1,4); engine, loglik = enter_evidence(engine, evidence); marg = marginal_nodes(engine, R S W);marg.T;,网络结构,参数,推理,参数学习,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：,首先，我们用正向采样创建一些训练数据。samples = cell(N, nsamples);for i=1:nsamples samples(:,i) = sample_bnet(bnet);Enddata
9、 = cell2num(samples);,然后， Make a tabula rasabnet2 = mk_bnet(dag, node_sizes);seed = 0;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
10、，为了查看学习后的参数，我们可以用下面的方法：CPT3 = cell(1,N);for i=1:N s=struct(bnet3.CPDi); % violate object privacyuhui CPT3i=s.CPT;,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,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=dispc
11、pt（,EM 数据缺失情况学习,结果：CPT41 = 0.4670 0.5330 CPT42 = 0.4616 0.5384 0.9495 0.0505CPT43 = 0.8958 0.1042 0.1937 0.8063CPT44 =(:,:,1) = 1.0000 0.1037 0.0915 0.0010(:,:,2) = 0 0.8963 0.9085 0.9990,回顾,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_engi
12、ne, gaussian_inf_engine, and cond_gauss_inf_engine 快速打分算法：quickscore_inf_engine采样算法：likelihood_weighting_inf_engine、gibbs_sampling_inf_engine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,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.,结构学习,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：,
