【摘要】：贝叶斯网络不同于一般的基于知识的系统，它以强有力的数学工具处理不确定性知识，以简单直观的方式解释它们；它也不同于一般的概率分析工具，它将图形和数值表示有机结合起来。相比神经网络等“黑盒”推理方法，贝叶斯网络的推理过程可以用图形化的方式表示出来，推理的结果也更容易为人们理解接受。贝叶斯网络支持任何证据节点的输入和输出，都会影响具有相互依赖关系的节点的值，影响的程度可通过推理算法获得。
贝叶斯网络不同于一般的基于知识的系统，它以强有力的数学工具处理不确定性知识，以简单直观的方式解释它们；它也不同于一般的概率分析工具，它将图形和数值表示有机结合起来。其主要的特点如下：
(1)贝叶斯网络是概率理论和图论的结合(G.Cooper，1992；W.Lam，1994)。可以有效地处理人工智能中的不确定性问题。首先，图论提供了直观的界面，通过它人们可以通过人机交互将变量模型化，设计有效的算法；其次，概率理论提供了统计学和数学基础，很好地表达了科学研究中的大量不确定性现象和知识间的相互依赖关系。
(2)推理结合了先验知识(M.Singh，1995)。先验知识是人们已经认识到的自然界的现象和规律，对于新现象规律的发现具有重要的借鉴作用。特别是对于新的研究领域，在能够获取到的有价值信息有限的情况下，先验知识显得更加重要。先验知识里包括很重要的一部分，即领域专家知识，在贝叶斯网络之前，对于领域专家知识的利用总是缺乏足够的数学依据，而贝叶斯网络结构的构建过程本身就融入了大量的专家知识，这些知识可以通过概率表达式来表示。(www.xing528.com)
(3)相比神经网络等“黑盒”推理方法，贝叶斯网络的推理过程可以用图形化的方式表示出来，推理的结果也更容易为人们理解接受。
(4)推理方式灵活，可以有效处理不完备数据集。在进行知识推理的过程中，往往会遇到证据不完备的情况，即用户仅知道某一个或某一部分输入条件，并且希望获得这些条件对结果的影响程度。贝叶斯网络支持任何证据节点的输入和输出，都会影响具有相互依赖关系的节点的值，影响的程度可通过推理算法获得。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
