构建贝叶斯网络。

tft的matlab代码贝叶斯网络变量消除 贝叶斯网络中变量消除的MATLAB实现。 由于变量消除基本上是基于因素的，因此也可以在MRF，CRF等上使用实现。 运行演示 克隆github存储库，然后尝试运行calculate_example1.m和calculate_example2.m。 这些代码将为“ calc_example_bayesnet”中提供的贝叶斯网络产生P（B | J，M）和P（E | J，M）的条件概率。 实施细节 每个因素都使用MATLAB container.MAP（又名哈希表）表示。 另外，每个变量配置都使用字符串表示。 例如，如果模型具有3个二进制参数A，B和C，且A = 1，B = 0，C = 1，则表示此配置的字符串将为“ TFT”。 同样，使用辅助字符“ N”来表示某些变量超出范围的情况。 去做 目前，该实现仅适用于具有二进制变量的贝叶斯网络。

GeNle用户手册贝叶斯网络。英文版，网页地址：https://support.bayesfusion.com/docs/GeNIe/

便便 ##面向对象编程 2014/15 ###Learning 动态贝叶斯网络 ####MEEC IST 更多信息 ->

微软提供的贝叶斯网络建模、分析工具，操作简单、界面友好，并提供C#API接口及使用示例，可运行于X64系统。

构造精确的贝叶斯网络分类器已被证明为NP难问题，提出了一种基于捕食逃逸粒子群优化（PSO）算法的通用贝叶斯网络分类器，能有效避免数据预处理时的属性约简对分类效果的直接影响，实现对贝叶斯网络结构的精确学习和搜索。另外，将所提出的分类器应用于高职院校就业预测分析，并在Weka平台上实现对该分类器的构建和验证，与其他几种贝叶斯网络分类器的对比实验结果表明，该分类器具有更好的性能。

小时间序列在宏观经济领域普遍存在, 对小时间序列的分类预测也有着广泛的需求.由于小时间序列 蕴含的信息不充分, 有效地提高小时间序列分类预测的可靠性非常困难, 目前也缺少这方面的研究.针对这种情况, 在基于引入平滑 参数的高斯核函数估计属性边缘密度的基础上, 建立用于小时间序列分类预测的动态朴素贝叶斯分类器, 并给出平滑参数的同步和异步优化方法.实验 结果表明, 优化能够显著提高小时间序列分类预测的准确性.

贝叶斯网络的循环信念传播算法的实现 贝叶斯网络和循环信念传播 贝叶斯网络可用于编码事件之间的一组因果或逻辑概率依赖关系。它们采用有向无环图的形式，每个节点都与一个概率表相关联，该概率表定义了它根据其父节点的值获取每个可能值的概率。 Loopy Belief Propagation 是一种算法，它计算网络每个节点的边际概率分布的近似值，以预先设置的一组选定“观察”变量的值为条件。 这是一个近似值，它表现得好像每个节点的父节点在给定节点的情况下是条件独立的。仅当所考虑的图实际上是一棵树（没有无向循环）时，这才是正确的，在这种情况下，近似值是精确的。 该算法的一个典型失败案例是，当某些节点的父节点既高度相关又非常随机（尤其是simple_net此存储库中的示例的情况；））。然后，即使算法收敛（并非总是如此），它也很可能收敛到错误的值。 另一方面，对于观察结果几乎可以肯定确定网络其余部分的值的网络（这在现实世界的问题中并不少见），循环信念传播算法提供了一个非常好的近似值

这个包是Julia中概率图形模型算法的轻量级实现 特征 目前，它处理离散因子图的操作（使用 API 构建或通过从 UAI Competition 格式的文件加载），以及通过信念传播（边际、最大边际和混合边际推理）进行近似推理。 因子图是由变量节点和因子节点组成的二分图。变量节点与随机变量相关联，因子节点与域是相邻（变量）节点的直接乘积的函数相关联。在最简单的离散情况下，因子节点与表示函数的多维数组（因子）相关联。

数据挖掘 贝叶斯算法 C++ 贝叶斯算法一般都用MATLAB实现，好不容易找到个C++的，可以用到工程中去