动态贝叶斯网络的表示及推理
近年来,图模型领域的研究取得了瞩目的进展.其中,贝叶斯网络作为一个描述、学习、计算复杂条件下概率分布的决策分析工具被应用到众多领域.在模式识别领域,图模型的方法已经被应用到诸如计算机视觉、HCI、生物信息学等.图模型为这些领域提供了有力的贝叶斯方法的计算支持.HMM是一种流行的用于顺序数据建模的数学模型,并在语音识别等领域取得了巨大的成功,但其同时具有表达能力有限的缺陷.介绍了一种较为复杂的图模型--动态贝叶斯网络,其与HMM中用一个变量表示隐含状态不同,而用一个变量的集合表示隐含状态.具体地,可以用图模型表达数据序列每一单元内和单元之间变量的条件独立关系.类似地可以对描述观测值的模型用因式分解形式表达.讨论了动态贝叶斯网络的多种表示形式及对其精确推理的方法。
动态贝叶斯网络 图模型 精确推理 模式识别 概率分布
姜峰 姚鸿勋
哈尔滨工业大学计算机学院,哈尔滨,150001
国内会议
北京
中文
17-22
2005-09-23（万方平台首次上网日期，不代表论文的发表时间）