首先來看一個草地濕潤模型，Cloudy表示天氣是否多云,C=1(F)表示False，C=2(T)表示True,一下表示均相同，Sprinklet表示灑水車是否出動，Rain表示是否下雨，WetGrass表示草地是否是濕的。旁邊的表格表示各種條件概率。

貝葉斯網絡表示：BNT中使用矩陣方式表示貝葉斯網絡，即若節點i到j有一條弧，則對應矩陣中(i，j)值為1，否則為0。上圖是一個草地潮濕原因模型。我們使用matlab畫出建立好的貝葉斯網絡，可以求出單個節點后驗概率和多個節點后驗概率。

matlab程序如下：第一步，建立貝葉斯網絡，使用matlab得到上述網絡結構

clear;clc;

N = 4; %四個節點 分別是cloudy，sprinkler，rain，wetgrass

dag = zeros(N,N);

C = 1; S = 2; R = 3; W = 4;

dag(C,[R S]) = 1; %節點之間的連接關系

dag(R,W) = 1;

dag(S,W) = 1;

discrete_nodes = 1:N; %離散節點

node_sizes = 2*ones(1,N); %節點狀態數

bnet =mk_bnet(dag,node_sizes,'names',{'cloudy',...

'sprinkler','rain','wetgrass'},'discrete',discrete_nodes);

bnet.CPD{C} = tabular_CPD(bnet,C,[0.5 0.5]); %手動輸入條件概率

bnet.CPD{R} = tabular_CPD(bnet,R,[0.8 0.2 0.2 0.8]);

bnet.CPD{S} = tabular_CPD(bnet,S,[0.5 0.9 0.5 0.1]);

bnet.CPD{W} = tabular_CPD(bnet,W,[1 0.1 0.1 0.01 0 0.9 0.9 0.99]);

%畫出建立好的貝葉斯網絡

figure

draw_graph(dag);

接下來比如我們想計算灑水器導致草地是濕潤的概率。證據的構成是W=2，enter_evidenc 執行一個雙通道的信息傳遞模式。第一次返回的變量包括修正的結合著證據的引擎，第二次返回的變量包括證據的對數似然。按如下方式計算p=P(S=2|W=2):

我們使用聯合樹引擎，它是所有精確推斷引擎的根本。它可以按如下步驟調用：

engine = jtree_inf_engine(bnet);

evidence = cell(1,N);

evidence{W} = 2;

[engine, loglik] = enter_evidence(engine,evidence);

marg = marginal_nodes(engine, S);

p = marg.T(2);

據我目前的理解，evidence 是你所需要計算的條件概率的條件部分，而marginal_nodes的第二個參數是你所需要的計算的條件概率的概率部分。由以上代碼可以計算條件概率P(S|W=2)，儲存在變量marg.T里面。

兩個小例子：

一、直接計算p(W)概率

evidence = cell(1,N);

[engine, ll] = enter_evidence(engine,evidence);

m = marginal_nodes(engine, [W]);

m.T

二、計算聯合概率p(SRW)

evidence = cell(1,N);

[engine, ll] = enter_evidence(engine,evidence);

m = marginal_nodes(engine, [S R W]);

本文在博客點擊打開鏈接基礎上根據自己理解所寫

------------------

祝身體健康，萬事如意

華電北風吹

天津大學計算機科學與技術學院認知計算與應用重點實驗室

天津市衛津路92號

郵編：?300072

原文：http://blog.csdn.net/zhangzhengyi03539/article/details/44041279

總結

以上是生活随笔為你收集整理的fullbnt matlab,FullBNT学习笔记之一(matlab)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。