一种增加先验知识库的贝叶斯网络推理模型

贝叶斯网络作为一种不确定知识表示网络,由网络结构和各节点的条件概率表组成,在解决系统决策问题方面具有先天的理论优势。目前在大多数贝叶斯网络的应用中,各节点条件概率表的产生均是以人工输入的方式完成,这在一些拥有较多网络节点的复杂背景中,需要巨大的人工消耗,效率低下。针对这一问题,提出一种增加先验知识库的贝叶斯网络推理模型。根据具体的建模问题创建先验知识库,在该先验知识库下对网络节点进行类别标记,然后根据局部马尔可夫性自动生成各节点的条件概率表。在贝叶斯网络推理任务中,使用在精确推理任务中处理速度快、应用最为广泛的联结树算法,并使用Hugin算法完成消息的传递。最后通过一个贝叶斯网络实例验证了整个模型的处理流程。