讲解动态贝叶斯网络原理与应用 pdf文档

动态贝叶斯网络（Dynamic Bayesian Network, DBN），是一个随着毗邻时间步骤把不同变量联系起来的贝叶斯网络。这通常被叫做“两个时间片”的贝叶斯网络，因为DBN在任意时间点T，变量的值可以从内在的回归量和直接先验值（time T-1）计算。DBN是BN（Baysian Network）的扩展，BN也称作概率网络（Probabilistic Network）或信念网络（Belief Network）。

em算法matlab代码主轴-HMM 复制所有结果，表格和纸图的代码 要求 MATLAB-结果，表格和图2 MATLAB R2016b或更高版本（实现的算法需要广播功能） 统计和机器学习工具箱 信号处理工具箱 并行计算工具箱（可选，但强烈推荐用于基于EM的学习） Python-图1 Python3 jupyter笔记本 matplotlib 绘制概率图形模型 数据 DREAMS睡眠纺锤数据集 指示 将“ Main_Code”文件夹添加到MATLAB路径 下载DREAMS睡眠纺锤数据集。 可靠的来源（请确保下载DatabaseSpindles.rar文件）。 解压缩.rar文件。 运行reformatDREAMS.m脚本以对EEG和专家标签进行格式化和降采样 现在即可运行“ DREAMS”文件夹中的算法/脚本。 这些是用于复制结果，表和图2的脚本 （可选）使用matplotlib和RARHSMM_GraphicalModel.ipynb设置python环境，以在jupyter笔记本上运行RARHSMM_GraphicalModel.ipynb PS1：所有主要代码都是MATLAB，pyt

针对目前机载电子设备故障诊断过程中诊断效率低以及采用传统动态故障树马尔科夫链分析方法存在系统状态空间爆炸的问题,提出了一种基于动态贝叶斯网络的故障树故障诊断方案;设计首先将基于零压缩二元决策图的动态故障树定性分析和贝叶斯网络的定量推理相结合获得系统最小割集,然后以集成传感器信息更新系统的部件诊断重要度和最小割集,最后综合考虑系统部件诊断重要度和最小割集设计了系统的故障诊断决策算法,得到故障诊断决策树;以机载光电雷达设备的故障诊断为例,通过对比有无证据条件下系统故障诊断中最小割集以及其诊断重要度,证明了此方案能够准确、快速地诊断出系统具体的故障原因,节省了诊断成本。

基于改进的动态贝叶斯网络的步态识别

动态贝叶斯网络推理学习理论及应用；动态系统；可靠性评估；故障诊断；贝叶斯网络建模；DBN

一种基于周期的动态贝叶斯网络预测模型 周期 动态 贝叶斯网络 预测

动态贝叶斯网络推理学习理论及应用(肖秦琨)，对贝叶斯网络较详细讲解

动态贝叶斯网络推理学习理论及应用 肖秦琨 国防工业出版社