Динамическая байесовская сеть - Dynamic Bayesian network

Динамическая байесовская сеть, состоящая из 3 переменных.
Байесовская сеть развивалась в 3 временных шага.
Упрощенная динамическая байесовская сеть. Нет необходимости дублировать все переменные в графической модели, но они также являются динамическими.

Динамическая байесовская сеть (ДБНО) является байесовской сетью (BN) , которая относится переменный друг с другом на соседние временные шаги. Это часто называют двухкратным BN (2TBN), потому что в нем говорится, что в любой момент времени T значение переменной может быть вычислено из внутренних регрессоров и непосредственного предшествующего значения (время T-1). DBN были разработаны Полом Дагумом в начале 1990-х в секции медицинской информатики Стэнфордского университета . Дагум разработал DBN для унификации и расширения традиционных линейных моделей в пространстве состояний, таких как фильтры Калмана , линейные и нормальные модели прогнозирования, такие как ARMA, и простые модели зависимостей, такие какскрытые марковские модели в общее вероятностное представление и механизм вывода для произвольных нелинейных и ненормальных зависящих от времени областей.

Сегодня DBN широко используются в робототехнике и показали потенциал для широкого спектра приложений интеллектуального анализа данных. Например, они использовались в распознавании речи , цифровой криминалистике , секвенировании белков и биоинформатике . DBN - это обобщение скрытых моделей Маркова и фильтров Калмана .

DBN концептуально связаны с вероятностными булевыми сетями и могут аналогичным образом использоваться для моделирования динамических систем в установившемся состоянии.

Смотрите также

использованная литература

дальнейшее чтение

Программное обеспечение

  • bnt на GitHub : набор инструментов Bayes Net Toolbox для Matlab от Кевина Мерфи (выпущен под лицензией GPL )
  • Набор инструментов для графических моделей (GMTK): общедоступный набор инструментов с открытым исходным кодом 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)
  • Инструментарий GlobalMIT Matlab в Google Code : Моделирование регулирующей сети генов посредством глобальной оптимизации динамической байесовской сети (выпущено под лицензией GPL )
  • libDAI : библиотека C ++, которая предоставляет реализации различных (приближенных) методов вывода для дискретных графических моделей; поддерживает произвольные факторные графы с дискретными переменными, включая дискретные марковские случайные поля и байесовские сети (выпущены под лицензией FreeBSD )
  • aGrUM : библиотека C ++ (с привязками Python) для различных типов PGM, включая байесовские сети и динамические байесовские сети (выпущена под лицензией GPLv3)
  • FALCON : 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)