CN1839382A - 动态贝叶斯网络的最可能解释生成 - Google Patents
动态贝叶斯网络的最可能解释生成 Download PDFInfo
- Publication number
- CN1839382A CN1839382A CNA038271265A CN03827126A CN1839382A CN 1839382 A CN1839382 A CN 1839382A CN A038271265 A CNA038271265 A CN A038271265A CN 03827126 A CN03827126 A CN 03827126A CN 1839382 A CN1839382 A CN 1839382A
- Authority
- CN
- China
- Prior art keywords
- data structure
- root
- maximal potential
- mpe
- iteration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Abstract
提供方法、系统和装置以生成贝叶斯网络(BN)的最可能解释(MPE)。第一数据结构通过从连接树(从BN得到)的叶至根迭代并沿途保留最大势来填充。第二数据结构记录映射至第一数据结构中的选择索引位置。这些选择位置对应于第一数据结构中保存的选择最大势。一旦给定问题的根最大势已知,所有选择最大势被求解。选择最大势形成通过连接树的MPE以达到结果。
Description
著作权声明/许可
[0001]本专利文件公开的一部分包含受著作权保护的资料。著作权所有者对于按照专利文件或专利公开中任一个在专利和商标局专利文件或记录中的原样的传真复制没有异议,但在其它方面保留所有著作权的权益。以下声明适用于下文及其任何图中所述的软件和数据:Copyright2003,Intel Corporation版权所有。
技术领域
[0002]一般来说,本发明的实施例涉及判定网络和图形模型,更具体地说,涉及贝叶斯网络(BN)的最可能解释(MPE)生成。
背景信息
[0003]为了通过电子模型化判定过程作出判定,贝叶斯网络(BN)在软件应用中被广泛使用。一些特别适合于BN的示范应用包括人工智能应用、语音识别、视觉跟踪、模式识别等。BN经常被视作概率计算的基础。
[0004]BN基于贝叶斯逻辑,通常应用于自动判定和处理概率推理的推论统计。静态BN与动态BN(DBN)的不同之处在于,DBN可随时间为随机(概率)变量调整自身。但是,某些不太可能随时间演变的判定过程更适合于BN实现。此外,DBN包括可使某些判定过程无法在DBN中有效建模的额外数据结构和处理。相应地,基于正在被建模的判定过程,使用BN可能比DBN更有利。BN和DBN应用均将判定过程建模为判定树,其中该树的每个节点识别特定的判定状态,且每个判定状态(节点)自身可以是树状数据结构。
[0005]最可能解释(MPE)是针对具有观察到的输出(证据)的给定问题的通过BN的判定状态序列(路径)。换句话说,如果结果已知,MPE是最可能解释所观察到的证据的BN中所有隐藏节点的状态。一旦BN被训练或用于几个不同的判定,BN可用于针对给定问题根据可观察证据产生其自己的判定或用于评估不同的观察结果。
[0006]传统MPE生成算法由要求BN上的完整两遍的技术产生。在第一遍中,所有团的势被分配,并从得自BN的连接树的叶收集证据,到连接树的根。然后选择和存储根团的最大元素并将根团中的所有其它元素设为零。在第二遍期间(称作分布证据处理步骤),连接树从其根势迭代回到所有叶团。在此第二遍期间,证据基于正在评估的连接树的每种状态(团)重新分布,每种状态的选择最大势被保留,因此在第二遍完成时,产生MPE。显然,传统的MPE生成技术需要大量处理器和存储器资源。
[0007]因此,需要改进的MPE生成。
附图概述
[0008]图1是根据本发明的一个实施例生成BN的MPE的方法的流程图。
[0009]图2是根据本发明的一个实施例生成BN的MPE的另一个方法的流程图。
[0010]图3是根据本发明的一个实施例的MPE生成系统的示意图。
[0011]图4是根据本发明的一个实施例的MPE生成装置的示意图。
[0012]图5是使用与本发明实施例相关的一些MPE生成技术的示范语音识别系统的示意图。
实施例说明
[0013]说明生成BN的MPE的新方法、系统和装置。在以下详细的实施例说明中,参照构成其部分的附图,附图中通过举例说明而不是限制的方式给出本发明的具体实施例。对这些实施例进行了足够详细的说明,以使本领域的普通技术人员能够理解并实施它们。可以采用其它实施例,并且可以作出结构、逻辑和电气上的更改,而不背离本公开的精神和范围。因此,以下详细说明并非用于限制意义,而且本文公开的发明实施例的范围仅由所附权利要求定义。
[0014]图1是生成BN的最可能解释(MPE)的方法100的流程图。方法100在计算机可访问介质中作为一个或多个软件应用实现。方法100不需要在计算机可访问介质中执行;但是,在执行方法100时,根据以下所述的处理和在本发明的其它实施例中,会产生对于BN的给定问题的MPE。
[0015]首先,使用任何已知和传统上可用的技术或实用程序,从BN得到连接树。
[0016]在使用BN之前,连接树的势被初始化。势是分配给判定状态的概率,并且在确定从一个判定状态到另一个判定状态的转变的操作期间被使用。此外,势取决于一组随机变量。在第一遍期间收集的证据导致在BN的每个判定状态(叶)对随机变量的值分配,还可能改变为每个团初始设置的势。
[0017]在所提供的这个初始环境下,在110,BN从其叶迭代到其根。在此迭代过程中,在111,收集可观察的证据,以便设置随机变量的值并且为连接树的每个评估团调整势。此外,在120,在第一遍期间,每个子团的最大势被存储或保留在存储器、存储装置或者存储器和存储装置这两者中。
[0018]在一个实施例中,连接树的每个团的最大势的保持以第一数据结构存储。第一数据结构是多维(M)整数阵列,其中M是BN中使用的随机变量的数量。例如,使用三个与给定BN相关联的随机变量X、Y和Z,第一数据结构具有3维(M=3,因为有三个随机变量),并且每一维具有两个索引位置(M=3-1,因为任何特定维具有其余2维中每个的最大势)。因此,第一数据结构的大小是定义为随机变量总数的M。
[0019]作为另一个示例,考虑三个随机变量:X、Y和Z。在此示例中,第一数据结构是具有3维的整数阵列(M=3,随机变量的数量):X维、Y维和Z维。此外,每维包括两个索引位置(位置1和2,即,大小=2),用于针对特定维保存其余每维的最大势。对于此示例,显然,第一数据结构中共有8个索引位置,它们是:1)X1、Y1、Z1;2)X1、Y1、Z2;3)X1、Y2、Z1;4)X1、Y2、Z2;5)X2、Y1、Z1;6)X2、Y1、Z2;7)X2、Y2、Z1;以及8)X2、Y2、Z2。
[0020]此外,每个随机变量的每个索引位置还可以与指向BN中该索引位置对应的特定叶(节点)的指针相关联,如121所示。此指针允许直接从第一数据结构访问团中的特定位置(叶或节点)。因此,每个索引位置可以容纳最大联合概率分布值和至分布值所在团内的特定叶或判定状态的指针。在其它实施例中,BN中特定分布值的特定位置由第一数据结构中的索引位置的坐标导出或得到。换句话说,对于三维的第一数据结构,特定索引位置可以是X1、Y1和Z1;第一数据结构中的这些坐标映射到团中的特定位置。因此,对于这些实施例,完全无需在第一数据结构的索引位置中存储任何指针。
[0021]在130,确定根最大势。在一个实施例中,在131,根最大势及其对应的BN内根节点基于给定问题的给定结果或预期结果。根节点及其相关根最大势的确定允许在连接树内处理,以便根据结果为问题求解MPE。
[0022]按照传统方式,通过BN求解MPE的过程通过根据已识别的根最大势及其相关联的根中节点配置在源自BN的连接树上执行完整第一迭代来进行。在传统第二遍期间,证据在连接树上从根到叶往回重新分布,然后为了选择构造MPE所需的每团最大势,对所有势分别评估
[0023]在本发明的实施例中,无需在连接树进行第二遍且无需为了选择正确的最大势重新分布证据。这通过在第一遍期间如上所述建造第一数据结构,然后将第一数据结构从根最大势向回迭代至所有叶的势来完成。
[0024]相应地,在140,第一数据结构从确定的根最大势向回迭代至所有叶的最大势。在此第一数据结构的回溯迭代期间,在150,与选择叶的选择最大势相关联的选择第一索引位置保留在第二数据结构中。也就是说,在140的第一数据结构的迭代期间,第二数据结构保留直接映射到第一数据结构的选择位置的整数索引位置值。第一数据结构的这些选择位置代表形成BN的所有变量的MPE所需的最大势。
[0025]继续上述示例,考虑具有3维(3个随机变量)的第一数据结构,其中每一维包括2个索引位置,在第一遍期间填充的最大势值产生表示为(4、3、5、2、1、6、8、7)的第一数据。此外,再考虑基于确定的结果,根最大势确定为来自第一数据结构的值7。在此示例中,第一数据结构的迭代开始于7(根最大势)且沿往回至初始叶势的路径选择最大势可以产生具有最大势值(5、3、8、7)的MPE。
[0026]在本示例中,第二数据结构表示为具有值(3、2、7、8)的整数阵列。第二数据结构的索引位置是位置1到4,分别具有值3、2、7和8。这些保留值中每个对应于第一数据结构中的一个索引位置。这样,第二数据结构的第1索引位置具有值3,如果该值(3)用于索引到第一数据结构的第一数据结构位置3,则获得值5。此外,第二数据结构的第4索引位置包含值8,同样,如果8用于获得第一数据结构的第8索引位置,则获得最大势值7。这样,MPE(5、3、8、7)完全响应具有值(3、2、7、8)的第二数据结构从第一数据结构导出。实质上,第二数据结构是第一数据结构中的映射,用于获得与给定问题的结果的给定根最大势相关联的选择最大势值。
[0027]当前讨论的示例表示为单维阵列;但是,这只是为了便于说明和理解。本示例中的第一数据结构的每个索引位置实际上由三个坐标(每个坐标用于一个随机变量X、Y、Z)正确引用。这样,第二数据结构内包含的索引位置实际上将包括这些用于每个选择最大势的整数值。本领域的普通技术人员容易认识和理解此差别和提供本示例作为单维阵列以便于理解的价值。
[0028]因此,在160,对于给定结果和问题,从第一数据结构组合MPE以响应第二数据结构中保留的索引位置值。在140中第一数据结构迭代期间用于生成MPE的处理在具有整数值的整数阵列上完成。这样,可以减少所需存储空间并相对于传统技术提高处理吞吐量。在使用传统技术从BN得到的连接树上的完整第二遍期间,通常必需使用浮点计算,因为通过连接树从根回到其所有团确定最大势时,证据被重新分布且计算被重复。
[0029]通常符合C编程语言、用于执行140中的第一数据结构迭代和生成第二数据结构的示范伪代码块被定义为:
/*开始回溯处理迭代定义为根表示根最大势的开始位置的第一数据结构
Begin;
MPE=[];
MAX_entry=[]
Max_entrv(root)=i;
For P=pre-order of the junction tree do;
For C=children of P do;
Begin;
i=Max_entry(P);
According to i,find acorresponding entry in separator
{P,C},say J;
i=backpointer{P,C}(i);
Max_entry(C)=i;
MPE(C)=convert i to configuration;
End;/*inner for-loop
end;/*outerfor-loop
end;/*backtracking or iterating of first data structure
Intel Co~oration,2003
[0030]虽然第一数据结构和第二数据结构在本文中表示为整数阵列,但并不总是这样。任何有效的第一和第二数据结构均可用于实现本发明的实施例。例如,可使用哈希表或其它自定义的数据结构。只要第一数据结构保持每叶对于其连接叶的最大势且第二数据结构保持第一数据结构中的索引位置用于构建MPE所需的选择最大势,即可达到效果并符合本发明提供的实施例的理论。这些技术提供效率,因为传统技术被迫在第二遍重新分布并重新评估整个连接树以便产生MPE,而本文所述技术仅迭代第一数据结构以产生第二数据结构,然后可将其容易地用于组装MPE。第一和第二数据结构之间的关系以及第一和第二数据结构的填充是与传统技术不同的并提供对传统MPE生成算法的有效改进。
[0031]图2是生成BN的最可能解释(MPE)的另一方法200的流程图。方法200在计算机可访问介质中作为一个或多个软件应用实现。在生成与BN中代表的判定过程相关联的给定问题的MPE的操作期间,方法200可与网络或一个或多个处理装置交互。
[0032]首先,与问题相关联的BN表示使用一个或多个传统软件实用程序、技术或应用获得。问题的具体示例还包括各种可观察的证据。此可观察的证据是与BN配合使用的随机变量的值。BN包括与其判定过程相关联的任何非零整数M个随机变量。
[0033]初始化用于被评估的特定问题的BN并且从BN获得连接树及其势之后,在210生成与连接树相关联的第一数据结构。第一数据结构包括多个维。每个维包括每个其余维的索引位置(即等于相应分隔符的维)。对于与每个索引位置相关联的特定维,每个索引位置用于保存特定其余维的联合最大势(概率分布)。此外,在每个索引位置内有可用的指针值,指向对应于已保存最大势的连接树中的特定子(判定状态)。因此,第一数据结构中的每个索引位置包括坐标对值,该坐标对是最大势值和与获得最大势值的BN中位置相关联的指针值。
[0034]在220中,第一数据结构通过从初始叶到根迭代连接树和为评估问题的给定示例收集证据(可观察随机变量值)来填充。在此迭代期间,收集的证据可能改变最初为团分配的势,如果是这样,按需要对与受影响团相关联的势进行调整。此外,在迭代期间,对于其连接的团,每个团的最大势与指向相应团中与所保留势相关联的特定元素的指针一起保留在第一数据结构的唯一索引位置中。
[0035]一旦迭代完成(第一遍),在230中确定根最大势。在BN中,当对于评估的问题提供结果或提供预期结果时,根最大势是已知的。当结果已知时,根最大势是已知的,因为这是达到已知结果所需的BN的最终判定状态。
[0036]在处理中的这个点,第一数据结构包括为问题和结果构建MPE需要的所有信息。传统上不是这样的,事实上,按照传统方式,在第一遍之后需要在整个连接树上的完整第二遍,以便生成MPE。这些传统方法需耗用大量存储器和处理器资源,因为需要重新分布证据和重新计算最大势。因此,使用传统技术,许多问题在BN内无法建模,因为具有许多判定状态和随机变量的问题使得评估问题所需的处理和存储要求不可行或无法达到。
[0037]在240,生成包括到第一数据结构中的映射的第二数据结构。这些映射是第一数据结构中的选择索引位置值并对应于选择最大势和指针坐标对。这些选择坐标对通过使用根最大势作为开始点并向回遍历通过第一数据结构以获得回到连接树的初始或开始团所需的选择最大势而得到。因此,第二数据结构使用第一数据结构中的选择索引位置值填充。这些选择索引位置值可用于直接访问第一数据结构以获得选择坐标对(选择最大势和至选择叶(选择团的元素)的指针)以形成MPE。
[0038]在250中,第二数据结构中包括的映射可被遍历并处理以生成MPE以及将MPE发送到原来请求给定问题和结果的MPE的任何请求应用。无需在连接树上进行完整第二遍即生成、产生、获得并发送MPE。
[0039]在一个实施例中,第一和第二数据结构为整数阵列,包括用于最大势和指针的整数值。以这种方式,实现了更高的处理器和存储器效率,因为保存整数值比保存浮点值占用的存储空间更少,而且处理器操作被设计为处理整数比处理浮点值更有效率。
[0040]图3是驻留在计算机可访问介质中的MPE生成系统300的示意图。MPE生成系统300可以实现为现有和传统BN工具或实用程序的附赠品。MPE生成系统300也可以实现为与其它现在BN工具或实用程序接口的独立的成套软件实用程序或工具。MPE生成系统300不需要处于运行中,但是当它在一个或多个处理器中运行时,它会通过进行下述处理为BN内建模的问题生成MPE。
[0041]MPE生成系统300包括往前推算模块310和回溯模块320。模块310和320与一套BN工具或实用程序330交互以遍历和处理与给定问题示例相关联的判定过程的BN表示。BN工具或实用程序330可以是现有和传统工具和实用程序或定制BN工具或实用程序。
[0042]往前推算模块310用于为评估问题的给定示例从叶到根迭代连接树(从BN得到)。在此第一遍中,往前推算模块310基于问题的给定示例使用BN工具或实用程序330收集和分布证据到连接树的叶。往前推算模块310还基于收集和分布的证据使用BN工具或实用程序改变任何初始分配给特定叶的势(概率)。此外,对于第一数据结构中的其余连接叶,往前推算模块310保留叶的最大势。
[0043]第一数据结构包括用于与连接树相关联的每个随机变量的单独维。此外,第一数据结构包括索引位置,用于保存每个维相对于其余维的最大势。在BN的第一遍期间,往前推算模块310使用选择最大势管理和填充第一数据结构。
[0044]回溯模块320用于在连接树上完成第一遍之后以及在求解连接树的根节点的根最大势之后迭代第一数据结构。根最大势可基于问题的给定示例的预期结果或基于提供的结果(已知结果)求解。
[0045]在操作期间,回溯模块320从根最大势开始到所有开始叶的势迭代第一数据结构。选择开始叶是对于问题的给定示例在BN内判定过程中的最可能开始点。根最大势是按预期给定或标识的。因此,回溯模块320基于来自第一数据结构的根最大势向回迭代通过第一数据结构并选择所需的最大势。在此选择过程中,回溯模块320保留对应于所选最大势的第一数据结构的索引位置。这样,第二数据结构成为第一数据结构中的映射,用于获得和构建问题的给定示例的MPE。
[0046]在一些实施例中,MPE生成系统300还提供被称为路径生成模块340的独立模块。路径生成模块340将第二数据结构作为第一数据结构中的映射消耗,并为问题的给定示例组装MPE。第二数据结构中包含的值是第一数据结构中的索引关键字。这样,第二数据结构是第一数据结构中的映射,用于为问题的给定示例生成和产生所需MPE。
[0047]图4是MPE生成装置400的示意图。MPE生成装置400驻留在一个或多个计算机可访问介质中。MPE生成装置400包括两个允许为给定问题生成MPE的数据结构401和402。
[0048]第一数据结构401是多维数据结构,包括用于与从为判定过程建模的BN得到的连接树403配合使用的每个随机变量的单独维。在每个维中,有一个独立索引位置用于保存该维相对于其余维之一的联合最大势。在一些实施例中,每个索引位置还可包括指针值,引用连接树403中对应于保留的最大势的特定子。
[0049]第一数据结构401在连接树403上的第一遍期间被填充。填充第一数据结构的示范技术如以上参照图1-3的说明所述。
[0050]第二数据结构402选择性地保存与第一数据结构401相关联的索引位置。这些选择索引位置由上述参照图1-3的说明所述的技术确定。每个选择索引位置对应于或映射到第一数据结构401中保存的选择最大势。迭代第一数据结构401的最初开始点和填充第二数据结构基于BN中评估的问题的预期或给定结果。
[0051]一旦第一401和第二402数据结构被填充,即可通过将第二数据结构402的值用作第一数据结构401中的索引关键字容易地获得给定问题的MPE。结果是给定问题的MPE。
[0052]第一401和第二402数据结构用于计算机可访问介质中,以便有效构建BN中表示的问题的MPE。数据结构401和402提供效率,因为它们的使用和消耗比要求在连接树上进行完整第二遍以生成MPE的传统技术要求更少的存储和处理。
[0053]图5是使用与本发明实施例相关的一些MPE生成技术的示范语音识别系统的示意图500。示意图500显示适合于使用BN和与本发明实施例相关联的理论的一种电子应用(语音识别)。因此,图5作为示例而非限制,因为各种其它应用可与本发明实施例配合使用,诸如模式识别、视频流中的图像跟踪等。根据与本发明相关联的实施例的理论想要使用BN和生成MPE的任何电子应用均属于本
发明范围之内。
[0054]示范图500包括音频捕捉装置501,如连网到计算机可访问介质502的电话或麦克风。计算机可访问介质502通过任何网络连接从音频捕捉装置501接收音频数据。
[0055]接收音频数据之前,在计算机可访问介质502中实施特定的判定过程并表示为BN 503中的特定问题。这样,音频装置501将输入作为音频数据提供给计算机可访问介质502内的应用处理;此音频数据将驱使这些应用的操作产生MPE(MPE生成器504)。MPE可以通过音频播放装置505传递或传递回到其它BN 503应用,以便提高BN 503的性能(例如训练BN 503)。
[0056]作为使用特定语音识别系统生成MPE的一个例子,考虑用于在家庭网络内在装置上执行某些操作的BN 503。BN 503为与执行所需操作相关联的判定过程建模。进一步考虑,需要首先训练BN503执行关于家庭装置可用的各种操作。音频装置501提供的音频数据作为给家庭网络的命令接收。通过计算机可访问介质502,电话或因特网接入(具有麦克风,用于捕捉音频数据)可直接连接到家庭网络。或者,在家中和附近到处放置麦克风,或通过可用于连接家庭网络的装置。
[0057]在本例中,考虑翻译成英语短语“在室内温度超过80华氏度时打开空调”的音频数据。在此例中,需要训练BN处理与家用空调和温度调节装置的一些动作相关联的条件语句。第一个任务是接收音频数据并将其分解为可执行的操作。这可以使用将初始短语分解为特定计算机可访问介质操作数和运算符的传统语音识别应用来实现。从此分解中,当在标识为“温度调节装置”的网络装置上检测到“>80”的“状态”时,BN 503确定需要在连网装置“空调”上的“打开”操作。因为BN 503包括各种装置和各种动作,并且因为短语构成可能不同,BN 503可能根据原始提供的音频数据进行各种选择。这些选择中的一些比另一些更少可能,一些比另一些可能性更大。
[0058]为了最初适当训练BN 503正确处理此短语,当提供音频数据并告诉BN 503预期结果是在室内温度超过80度时自动启动空调之后,直接与BN 503交互。在收到问题的此结果时;BN 503识别结果和最大势,即在超过80度时开启空调。
[0059]一旦从BN 503得到的连接树的根处的最大势已知,可以生成用于达到该最大势的MPE,以便在下次BN 503遇到此问题或类似问题时,BN 503将使MPE正确遍历并有效地达到所需结果。BN 503中的判定选择被表示为具有子树的判定树,每个子树表示BN 503在处理期间采取的各种判定状态。
[0060]为了求解MPE以达到结果,连接树从其初始子到定义的根最大势被遍历,在此遍历期间,证据(求解和转换的原始音频数据的操作数和运算符)被分布到树的适当子叶并按需要调整任何概率。此外,每个叶被遍历时,其相对于下一个或连接叶的最大势被保存在第一数据结构中。
[0061]在BN 503的整个连接树已被遍历时,生成完全填充的第一数据结构,具有每个子的最大势。接下来,第一数据结构从标识的根最大势向回遍历至所有开始子叶。在第一数据结构的遍历期间,在BN 503中从根逆向选择的正确子叶的选择将由任何紧接之前的选择决定,并且当存在多个选择时,选择最大势以确保BN 503中的效率。另外,选择最大势在第二数据结构中标识为索引位置,它们直接映射至第一数据结构中的位置。
[0062]第二数据结构用作BN 503的映射以迅速选择达到期望结果所需要的在BN 503中的开始和转变判定状态。此可推导的映射是问题的MPE(“在室内温度超过80华氏度时打开空调”)。这样,BN 503的连接树中的初始状态或选择开始子叶可能是检查温度调节装置和空调的连接状态。下一个最佳状态可能是从温度调节装置获取温度读数。下一个过渡状态可能是如果温度低于80度,则等待和在某个可配置的分钟数之后再次检查温度。最终状态是在温度超过80度时启动空调,这就是最大根势或根。
[0063]可选地,BN 505可以将MPE转换成音频数据并通过音频播放装置将其传递给操作员,例如通过产生在电话或扬声器上播放的短语以传递整个MPE。例如,“空调可工作,温度调节装置可工作,且温度为81度,空调启动”。
[0064]在一些示例中,操作员可能不需要知道或不想知道MPE,而只想知道适当时空调将打开,家庭网络已知所述问题。在其它示例中,MPE反馈到BN以根据剖析的运算符和从音频数据接收的操作调整其势,这允许BN 503学习并有效处理它可能从操作员接收的其它类似但不完全相同的命令,例如“如果室内温度低于80华氏度则关闭空调”或“如果室内温度超过75华氏度则打开空调”。事实上,后面的短语是新情况,但它会遵照我们80度的例子产生的确切MPE,因为基于与问题相关联的已收集证据(80对75),唯一的不同是表达式的条件评估。
[0065]图5和图5显示的示范应用仅为便于理解而提供,因为有许多不同的问题示例和采用BN的电子应用,其中MPE的生成是重要的。在所有这些情况中,本发明实施例的理论提供改进的MPE生成,因为无需在BN 503的连接树上进行耗费大量存储器和处理器资源的完整第二迭代。
[0066]以上描述是说明性而非限制性的。通过阅读以上描述,本领域的技术人员将会十分清楚许多其它实施例。因此,本发明实施例的范围应当参照所附权利要求以及这些权利要求涵盖的等效物的完整范围来确定。
[0067]为符合要求摘要让读者可以迅速确定本技术公开的性质和要点的37C.F.R.§1.72(b),提供了摘要。应该理解,它不会用于解释或限制权利要求的范围或意义。
[0068]在实施例的以上描述中,为了简化本公开,各种特性集合到一个实施例中。此公开方法不可解释为反映了根据权利的本发明实施例要求比每条权利要求中明确陈述的更多的特性的意图。相反,如以下权利要求反映的,发明主题在于少于单个公开实施例的所有特征。因此,以下权利要求结合到实施例说明中,每条权利要求本身代表一个独立的示范实施例。
Claims (24)
1.一种方法,包括:
从叶至根迭代从贝叶斯网络(BN)得到的连接树,并在第一数据结构中存储最大势;
确定根最大势;以及
从根第一索引位置开始迭代第一数据结构,在第二数据结构内保留对应于选择最大势的第一数据结构中的选择第一索引位置。
2.如权利要求1所述的方法,其特征在于,还包括响应第二数据结构,从根到叶从第一数据结构组装最可能解释。
3.如权利要求1所述的方法,其特征在于,迭代BN还包括从叶到根收集证据,以及响应所收集的证据来识别最大势。
4.如权利要求1所述的方法,其特征在于,确定还包括根据BN内正评估的问题的给定结果确定根最大势。
5.如权利要求1所述的方法,其特征在于,还包括将第一数据结构表示为多维整数阵列,其中每一维对应于随机变量。
6.如权利要求1所述的方法,其特征在于,迭代连接树还包括在第一数据结构内为每个最大势存储指针,其中每个指针对应于子势中的元素。
7.如权利要求6所述的方法,其特征在于,迭代第一数据结构还包括使用第二数据结构中保留的第一索引位置访问第一数据结构,以及获得对应的指针以形成从根到叶的最可能解释。
8.一种方法,包括:
生成第一数据结构,其中保存连接树的坐标对,每个坐标对具有最大势和指向子势的指针;以及
生成第二数据结构,包含至第一数据结构的选择坐标对的映射,其中映射组合以形成从连接树的根到连接树的叶的最可能解释(MPE),MPE表示达到问题的结果所作的判定。
9.如权利要求8所述的方法,其特征在于,还包括从连接树的叶到根收集证据,以及通过为问题从叶到根迭代来填充第一数据结构的坐标对。
10.如权利要求9所述的方法,其特征在于,还包括在为给定问题确定根最大势之后通过迭代第一数据结构填充第二数据结构的映射。
11.如权利要求8所述的方法,其特征在于,还包括为选择坐标对创建作为对应于第一数据结构内的位置的整数值的映射。
12.如权利要求8所述的方法,其特征在于,还包括发送MPE作为达到与问题相关联的结果的技术。
13.如权利要求8所述的方法,其特征在于,生成第一数据结构还包括在第一数据结构内为与一组随机变量相关联的每个联合概率创建分开的维。
14.如权利要求8所述的方法,其特征在于,生成第一和第二数据结构还包括为所述对和所述映射使用整数值。
15.一个系统,包括:
往前推算模块,从叶至根迭代连接树,在第一数据结构中存储最大势,以及确定根最大势;以及
回溯模块,从根第一索引位置迭代第一数据结构,在第二数据结构内保留来自第一数据结构的选择第一索引位置,其中选择第一索引位置对应于第一数据结构内的选择最大势。
16.如权利要求15所述的系统,其特征在于,还包括路径生成模块,响应第二数据结构从第一数据结构组装最可能解释(MPE),其中MPE通过回溯获得。
17.如权利要求15所述的系统,其特征在于,往前推算模块为连接树的变量收集证据并从收集的证据确定最大势。
18.如权利要求15所述的系统,其特征在于,往前推算模块响应给定问题的结果确定根最大势。
19.一种具有相关数据的机器可访问介质,当它被访问时,在机器中执行以下方法:
从连接树的叶至根迭代并在第一数据结构中存储最大势;
为给定问题的结果确定根最大势;以及
迭代第一数据结构,从而为给定问题组装选择最大势,其中选择最大势在第二数据结构中标识为第一数据结构中的选择索引位置。
20.如权利要求19所述的介质,其特征在于,第一和第二数据结构为整数阵列。
21.如权利要求19所述的介质,其特征在于,第二数据结构表示让给定问题达到结果的在连接树内的最可能解释。
22.一种在计算机可访问介质中的装置,包括:
第一数据结构,存储用于给定问题的连接树的叶和根的最大势;以及
第二数据结构,保存来自第一数据结构的选择位置,其中一旦确定给定问题的根最大势,所述选择位置从第一数据结构形成最可能解释。
23.如权利要求22所述的装置,其特征在于,第一和第二数据结构为整数阵列。
24.如权利要求22所述的装置,其特征在于,第一数据结构为多维整数阵列。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2003/000841 WO2005031591A1 (en) | 2003-09-30 | 2003-09-30 | Most probable explanation generation for a dynamic bayesian network |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1839382A true CN1839382A (zh) | 2006-09-27 |
Family
ID=34383968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA038271265A Pending CN1839382A (zh) | 2003-09-30 | 2003-09-30 | 动态贝叶斯网络的最可能解释生成 |
Country Status (3)
Country | Link |
---|---|
US (2) | US7373334B2 (zh) |
CN (1) | CN1839382A (zh) |
WO (1) | WO2005031591A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7283538B2 (en) * | 2001-10-12 | 2007-10-16 | Vormetric, Inc. | Load balanced scalable network gateway processor architecture |
CN1839382A (zh) * | 2003-09-30 | 2006-09-27 | 英特尔公司 | 动态贝叶斯网络的最可能解释生成 |
JP5407737B2 (ja) * | 2009-10-16 | 2014-02-05 | 富士通セミコンダクター株式会社 | モデル生成プログラム、モデル生成装置、およびモデル生成方法 |
CN102346808B (zh) * | 2011-06-08 | 2013-06-12 | 北京师范大学 | 一种从hj-1卫星数据反演lai的方法 |
US9104780B2 (en) * | 2013-03-15 | 2015-08-11 | Kamazooie Development Corporation | System and method for natural language processing |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6456622B1 (en) * | 1999-03-03 | 2002-09-24 | Hewlett-Packard Company | Method for knowledge acquisition for diagnostic bayesian networks |
US6421655B1 (en) * | 1999-06-04 | 2002-07-16 | Microsoft Corporation | Computer-based representations and reasoning methods for engaging users in goal-oriented conversations |
AUPR208000A0 (en) * | 2000-12-15 | 2001-01-11 | 80-20 Software Pty Limited | Method of document searching |
DE10132014A1 (de) * | 2001-07-03 | 2003-01-23 | Siemens Ag | Verfahren zum Erstellen eines Kausalen Netzes auf Grundlage einer Wissensakquisition |
WO2003048999A2 (en) * | 2001-12-03 | 2003-06-12 | Dnaprint Genomics, Inc. | Methods and apparatus for genetic classification |
US7257563B2 (en) * | 2002-01-30 | 2007-08-14 | The Board Of Regents Of The University Of Texas | Probabilistic boolean networks |
US7293000B2 (en) * | 2002-02-22 | 2007-11-06 | Lee Shih-Jong J | Information integration method for decision regulation in hierarchic decision systems |
US7319993B2 (en) * | 2003-04-25 | 2008-01-15 | Intel Corporation | Automatically generating a path to an item depending on its access history |
US7184993B2 (en) * | 2003-06-10 | 2007-02-27 | Microsoft Corporation | Systems and methods for tractable variational approximation for interference in decision-graph Bayesian networks |
US7418430B2 (en) * | 2003-07-28 | 2008-08-26 | Microsoft Corporation | Dynamic standardization for scoring linear regressions in decision trees |
US7243100B2 (en) * | 2003-07-30 | 2007-07-10 | International Business Machines Corporation | Methods and apparatus for mining attribute associations |
CN1839382A (zh) * | 2003-09-30 | 2006-09-27 | 英特尔公司 | 动态贝叶斯网络的最可能解释生成 |
-
2003
- 2003-09-30 CN CNA038271265A patent/CN1839382A/zh active Pending
- 2003-09-30 WO PCT/CN2003/000841 patent/WO2005031591A1/en active Application Filing
-
2006
- 2006-02-15 US US11/354,673 patent/US7373334B2/en not_active Expired - Fee Related
-
2008
- 2008-01-31 US US12/023,406 patent/US7899771B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
WO2005031591A1 (en) | 2005-04-07 |
US20080140598A1 (en) | 2008-06-12 |
US7373334B2 (en) | 2008-05-13 |
US7899771B2 (en) | 2011-03-01 |
US20060184487A1 (en) | 2006-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qiao et al. | Product modular analysis with design structure matrix using a hybrid approach based on MDS and clustering | |
Abraham et al. | Metric embeddings with relaxed guarantees | |
Knight et al. | AINE: An immunological approach to data mining | |
Poco et al. | SimilarityExplorer: A Visual Inter‐Comparison Tool for Multifaceted Climate Data | |
Ferdosi et al. | Visualizing high‐dimensional structures by dimension ordering and filtering using subspace analysis | |
Liu et al. | A fuzzy decomposition-based multi/many-objective evolutionary algorithm | |
CN102144231A (zh) | 用于基于文本的图像搜索结果重新排序的自适应视觉相似性 | |
CN110008390A (zh) | 应用程序的评估方法、装置、计算机设备及存储介质 | |
Ahmed et al. | Geomi: Geometry for maximum insight | |
Sun et al. | Find the best path: An efficient and accurate classifier for image hierarchies | |
CN110365603A (zh) | 一种基于5g网络能力开放的自适应网络流量分类方法 | |
Long et al. | Formulation and analysis of grid and coordinate models for planning wind farm layouts | |
Sun et al. | Application research based on improved genetic algorithm in cloud task scheduling | |
US7899771B2 (en) | Most probable explanation generation for a Bayesian Network | |
CN108898273A (zh) | 一种基于形态分析的用户侧负荷特征聚类评价方法 | |
CN117114250B (zh) | 一种基于大模型的智能决策系统 | |
Frank | Map algebra extended with functors for temporal data | |
Kerber | Persistent homology: state of the art and challenges | |
CN105808743B (zh) | 终端推荐方法和终端推荐系统 | |
Gorokhovatskyi et al. | Transforming image descriptions as a set of descriptors to construct classification features | |
CN102760167B (zh) | 基于粒子群优化算法的XQuery查询路径优化方法 | |
CN103262068A (zh) | 用于使用单遍等级化单次遍历数据来产生叉积矩阵的系统及方法 | |
Fieldsend | Multi-modal optimisation using a localised surrogates assisted evolutionary algorithm | |
CN115620038A (zh) | 共性知识约束的遥感样本迁移方法 | |
Shen et al. | Communication management using abstraction in distributed Bayesian networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |