回答

5

確切的細節將取決於您是否在談論防盜警報類型情況(傳感器讀數)或涉及安全警衛和激光鯊魚的更有趣的事情。無論哪種方式,原理都是一樣的。

你開始描述該影響入侵的東西基本根節點,例如

Sensor detected motion (true/false) 
Shark smelt blood (true/false) 
Temperature (too low/just right/too high) 
Security guard is asleep 
... 
any other things you can think of. 

您的概率分配給每個根節點的每個狀態。

P(Security guard is asleep) = 0.25 

然後定義取決於這些根節點的子節點,例如,Security guard heard noise將取決於Security guard is asleep

給出子節點的每個狀態的條件概率,給定其父母的每個狀態。

P(Security guard heard noise|Security guard is asleep) = 0.05 
P(Security guard heard noise|Security guard is not asleep) = 0.5 

最終,你會想要得到一個結果,如Burglary has been foiled

一旦你建立了網絡節點,你可以評估它,並計算不同結果發生的概率。

接下來你添加證據。所以如果你知道你的鯊魚聞到血液,那麼這個節點會被設置爲一個特定的值,你可以重新評估網絡,看看概率是如何變化的。

在軟件方面,Bayes Net工具箱備受好評。

+0

已經有matlab無法找到bayes網絡工具箱tho和看着你的鏈接的安裝評論看起來abit:S。這是一個很好的幫助,我很高興有人可以用外行的偉大類比:D很好。那麼有趣的邏輯呢?我們怎麼能有一個假的/真正的「程度」? –

+0

我見過的所有模糊邏輯示例都可以輕鬆映射到貝葉斯網絡。 貝葉斯網絡嚴格解決這些問題。據我所知,模糊邏輯只是做了合理的事情。 貝葉斯網絡中真/假的程度是非常自然的,因爲網絡並不追蹤發生了什麼事情,它跟蹤你應該給予網絡的信仰程度以及你提供的證據。 – mdaoust