Динамическая байесовская сеть - Википедия - Dynamic Bayesian network

Динамическая байесовская сеть, состоящая из 3 переменных.
Байесовская сеть развивалась в 3 временных шага.
Упрощенная динамическая байесовская сеть. Все переменные не нужно дублировать в графической модели, но они тоже динамические.

А Динамическая байесовская сеть (DBN) - это Байесовская сеть (BN), который связывает переменные друг с другом на смежных временных шагах. Это часто называют Два раза BN (2TBN), потому что в нем говорится, что в любой момент времени T значение переменной может быть вычислено из внутренних регрессоров и непосредственно предшествующего значения (время T-1). DBN были разработаны Полом Дагумом в начале 1990-х гг. Стэндфордский Университет Секция медицинской информатики.[1][2] Dagum разработал DBN для унификации и расширения традиционных линейных модели в пространстве состояний Такие как Фильтры Калмана, линейные и нормальные модели прогнозирования, такие как ARMA и простые модели зависимостей, такие как скрытые марковские модели в общее вероятностное представление и механизм вывода для произвольных нелинейных и ненормальных зависящих от времени областей.[3][4]

Сегодня DBN распространены в робототехника, и продемонстрировали потенциал для широкого спектра сбор данных Приложения. Например, они использовались в распознавание речи, цифровая криминалистика, белок последовательность действий, и биоинформатика. DBN - это обобщение скрытые марковские модели и Фильтры Калмана.[5]

DBN концептуально связаны с вероятностными булевыми сетями. [6] и аналогичным образом может использоваться для моделирования динамических систем в установившемся режиме.

Смотрите также

Рекомендации

  1. ^ Пол Дагум; Адам Гальпер; Эрик Хорвиц (1992). «Динамические сетевые модели для прогнозирования» (PDF). Труды восьмой конференции по неопределенности в искусственном интеллекте. AUAI Press: 41–48.
  2. ^ Пол Дагум; Адам Гальпер; Эрик Хорвиц; Адам Сивер (1995). «Неопределенные рассуждения и прогнозы». Международный журнал прогнозирования. 11 (1): 73–87. Дои:10.1016 / 0169-2070 (94) 02009-э.
  3. ^ Пол Дагум; Адам Гальпер; Эрик Хорвиц (Июнь 1991 г.). «Временное вероятностное рассуждение: динамические сетевые модели для прогнозирования» (PDF). Лаборатория систем знаний. Секция медицинской информатики Стэнфордского университета.
  4. ^ Пол Дагум; Адам Гальпер; Эрик Хорвиц (1993). «Прогнозирование апноэ во сне с помощью динамических сетевых моделей». Труды Девятой конференции по неопределенности в искусственном интеллекте. AUAI Press: 64–71.
  5. ^ Стюарт Рассел; Питер Норвиг (2010). Искусственный интеллект: современный подход (PDF) (Третье изд.). Prentice Hall. п. 566. ISBN  978-0136042594. Архивировано из оригинал (PDF) 20 октября 2014 г.. Получено 22 октября 2014. динамические байесовские сети (которые включают скрытые модели Маркова и фильтры Калмана как особые случаи)
  6. ^ Харри Ляхдесмяки; Сампса Хаутаниеми; Илья Шмулевич; Олли Юли-Харья (2006). «Отношения между вероятностными булевыми сетями и динамическими байесовскими сетями как модели сетей регуляции генов». Обработка сигналов. 86 (4): 814–834. Дои:10.1016 / j.sigpro.2005.06.008. ЧВК  1847796. PMID  17415411.

дальнейшее чтение

Программного обеспечения

  • bnt на GitHub: набор инструментов Bayes Net Toolbox для Matlab от Кевина Мерфи (выпущен под Лицензия GPL )
  • Набор инструментов для графических моделей (GMTK): открытый, общедоступный набор инструментов для быстрого создания прототипов статистических моделей с использованием динамических графических моделей (DGM) и динамических байесовских сетей (DBN). GMTK можно использовать для приложений и исследований в области обработки речи и языка, биоинформатики, распознавания активности и любых приложений временных рядов.
  • DBmcmc : Вывод динамических байесовских сетей с помощью MCMC для Matlab (бесплатное программное обеспечение)
  • Набор инструментов GlobalMIT Matlab в Код Google: Моделирование регуляторной сети генов посредством глобальной оптимизации динамической байесовской сети (выпущено под Лицензия GPL )
  • libDAI: Библиотека C ++, которая предоставляет реализации различных (приближенных) методов вывода для дискретных графических моделей; поддерживает произвольные фактор-графы с дискретными переменными, включая дискретные марковские случайные поля и байесовские сети (выпущены под Лицензия FreeBSD )
  • АГРУМ: Библиотека C ++ (с привязками Python) для различных типов PGM, включая байесовские сети и динамические байесовские сети (выпущенные под GPLv3)
  • СОКОЛ: Набор инструментов Matlab для контекстуализации моделей DBN регуляторных сетей с биологическими количественными данными, включая различные схемы регуляризации для моделирования предшествующих биологических знаний (выпущен под GPLv3)