1) bayesian belief networks
贝叶斯信念网
1.
A new discretized modeling process is therefore proposed on BBN(Bayesian belief networks) basis for the reliability of multi-state mechanical systems,since BBN is featured with bidirectional reasoning function for uncertainty and graphic display.
针对传统的基于二态逻辑的可靠性评估方法应用于多状态系统理论和实际应用存在差异的问题,根据贝叶斯信念网(BBN)具有双向不确定性推理功能和图形化显示的特点,提出了一种多状态机械系统可靠性离散化建模方法。
2) Bayesian belief network
贝叶斯信念网络
1.
A learning algorithm of compressed candidates based on Bayesia belief network is developed to solve slow running problem of traditional Bayesian belief network constructing algorithm.
针对传统算法分类速度较慢的不足,改进传统算法中候选变量的搜索方式,提出用依赖度量函数测量变量之间的依赖程度,得出压缩候选的贝叶斯信念网络构造算法。
2.
The function of Bayesian belief network and Mathematical Statistics method is analysed in the field of data mining, then a kind of Bayesian belief network and model of data mine is provided for Mathematical Statistics.
分析了贝叶斯信念网络和数理统计方法在数据挖掘中的作用,提出了一种贝叶斯信念网络和基于数理统计的数据挖掘模型,并用实例证明该数据挖掘模型有效性。
3.
A learning algorithm of compressed candidates based on Bayesia belief network is developed to solve slow running problem of traditional Bayesian belief network constructing algorithm.
针对传统算法分类速度较慢的不足,改进传统算法中候选变量的搜索方式,提出用依赖度量函数测量变量之间的依赖程度,得出压缩候选的贝叶斯信念网络构造算法。
3) bayesian belief network classification
贝叶斯信念网络分类
4) BCPNN method
贝叶斯信念神经网络法
5) Bayesian belief networks(BBN)
贝叶斯信仰网络
1.
Firstly,used the Bayesian belief networks(BBN),the risks which had influenced the reliability of soft were analyzed.
首先采用贝叶斯信仰网络对影响软件可信性的风险进行了分析;其次,建立了基于约束满足的风险控制模型。
6) Bayesian Belief Propagation Algorithm
贝叶斯信念传播算法
补充资料：贝叶斯公式
贝叶斯公式为利用搜集到的信息对原有判断进行修正提供了有效手段。在采样之前，经济主体对各种假设有一个判断（先验概率），设为，{}。
关于先验概率的分布，通常可根据经济主体的经验判断确定(当无任何信息时，一般假设各先验概率相同)，较复杂精确的可利用包括最大熵技术或边际分布密度以及相互信息原理等方法来确定先验概率分布。
当采样得到样本值后，当事人对各假设的判断(后验概率)为
关于先验概率的分布，通常可根据经济主体的经验判断确定(当无任何信息时，一般假设各先验概率相同)，较复杂精确的可利用包括最大熵技术或边际分布密度以及相互信息原理等方法来确定先验概率分布。
当采样得到样本值后，当事人对各假设的判断(后验概率)为
，= 1， 2， %26#8230;， (5.5)
在实际经济生活中，信息搜寻工作不是一次就完成的。当信息搜寻进行到某一阶段，设已进行了 次采样( =1，2，%26#8230;)，此时经济主体对各假设的后验概率的认识为
=1， 2， %26#8230;， (5.6)
其中，表示在第次采样前对假设的判断，当 =1时即表示第一次采样前的先验概率，从而式(5.5)变成式(5.6)的一个特例，即，将其记为。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条