伴随流式数据处理需求而产生的复杂事件处理技术，在处理具有多样性和流式特征数据方面性能表现突出，被广泛应用于复杂事件大数据处理系统中。针对复杂事件大数据处理系统测试需求，提出一种基于贝叶斯网络的复杂事件大数据处理系统测试数据生成方法，该方法以部分真实数据中的复杂事件结构关系及概率分布特征构建贝叶斯网络预测模型，生成具有真实数据结构特征与分布特征的复杂事件测试数据集。实验结果表明，提出的方法具有可行性。

属性是实体的重要组成部分，因此实体属性的获取是知识图谱构建 的关键步骤。由哈尔滨工业大学社会计算与信息检索研究中心推出的开放 域中文知识图谱《大词林》是通过从文本中自动挖掘实体及实体间的关系 而构建而成，因此为《大词林》中缺少属性的实体添加属性也成为必须研 究的问题之一。本文提出了一种解决方案：基于贝叶斯网络的概率统计模 型，通过上位词概念与属性之间的依赖关系和实体与上位词概念的依赖关 系来自动的为《大词林》中没有属性的实体添加属性，并与相似度计算方 法对比证明了其有效性，可大规模提高《大词林》的属性覆盖率。

贝叶斯网络用于分类和因果关系分析 (1) Naïve Bayesian networks (2) Tree augment Bayesian networks, et al. (3) PC (Spirtes et al.,2000) , IC(Pearl,2000) algorithm

简单明了的贝叶斯网络介绍，如果你是想认真学习，有贝叶斯基础的，都可以阅读。书中从简单的概率论到各种实际应用，都是不错的讲解，有兴趣的可以下载阅读。

针对贝叶斯网络结构学习方法难以兼顾高准确率和高效率的问题，提出了一种基于Markov Chain Monte Carlo(MCMC)方法的贝叶斯网络结构学习方法的改进。改进包括：使用依赖关系分析，利用统计学的方法对采样空间进行大幅缩减，能够在精确控制准确度的情况下大幅提高时间效率；结合先验知识，从理论角度将先验知识融入评分中得到完全服从后验分布的结果；搜索最优子结构，对于特定的一些结构搜索最优子结构而不是采用贪心的方法，提高了贝叶斯网络结构学习的准确率。通过理论分析可以证明时间复杂度得到了大幅的降低。并且可以在牺牲可预知的准确率的情况下，将指数时间复杂度降为线性时间。大量的数据实验表明，经改进后的方法在时间和准确性上都具有良好的表现。

A history of Bayesian neural networks DEEP LEARNING LIMITATIONS OF DEEP LEARNING WHAT DO I MEAN BY BEING BAYESIAN ? BAYES RULE

matlab官方贝叶斯网络工具箱 具体说明请上官方网站 官方主页：http://www.cs.ubc.ca/~murphyk/Software/BNT/bnt.html 官方下载：http://www.cs.ubc.ca/~murphyk/Software/BNT/FullBNT-1.0.4.zip 原文链接：http://hi.baidu.com/zgyz/blog/item/2d3627f415c7fbe77709d763.html 贝叶斯网络：http://www.cs.ubc.ca/~murphyk/Software/BNT/bnt.html 语音工具箱：http://www.ee.ic.ac.uk/hp/staff/dmb/voicebox/voicebox.html

根据3阶段方法，开发的软件，能够建立贝叶斯网络

介绍贝叶斯网络和贝叶斯分类器的ppt

K2算法是近二十年来贝叶斯网络中最著名的基于分数的算法。 具体来说，它以 DAG 的形式有效地恢复了底层分布。 详情请参考Cooper发表的论文[1] 请从“ControlCentor.m”开始，这里有一个简单的例子来理解如何使用我们的代码。 如果有任何问题，请告诉我，我会尽快帮助您。 我用mex编程重写了K2，如果你知道怎么编译，请试试K2.c，因为这段代码可以处理1000个变量的变量，效率很高。 它在 32 位和 64 位 linux 下进行了测试。 [1] G. Cooper 和 E. Herskovitz，从数据中归纳概率网络的贝叶斯方法，机器学习9 (1992), 330–347。 如果您使用此代码，请引用我们的论文： Bielza, C., Li, G. & Larrañaga, P. (2011)。 贝叶斯网络的多维分类。 国际近似推理杂志，第52卷，第705-7