基于Factored Frontier算法的动态贝叶斯网络灵敏性分析方法

贝叶斯网络的灵敏性分析是研究模型局部参数或证据微小变化对于目标结点所产生的影响,以发现复杂系统的重要参数和结构.然而对于动态贝叶斯网络,当前还没有一种有效的灵敏性分析算法.针对隐马尔科夫模型(HMM)灵敏性分方法不能用于分析动态贝叶斯网络灵敏性和灵敏性分析计算复杂性高的问题,提出一种可有效处理动态贝叶斯网络灵敏性分析算法(SA_FF).SA_FF算法利用FF近似推理算法(Factored Frontier)思想求解动态贝叶斯网络的灵敏性函数,通过对马尔可夫毯所构成边界(Frontier)的动态推理建立参数与目标结点条件概率分布之间的函数关系;SA_FF算法在灵敏性函数推理计算过程中,通过对局部性边界的边缘化进行信息传播,不需要对模型的联合概率分布进行更新,显著提高了计算的效率,且可用于多参数灵敏性分析,但会引入一定的误差;进而,通过误差分析证明所引入的误差是有界的.最后,通过实例计算的比较和分析显示SA_FF算法的有效性.