利用matlab的贝叶斯工具箱BNT完成以下“过劳死”问题的建模：
使用BNT工具箱的贝叶斯结构、参数学习命令。
(t=ture； f=false )
参数学习代码：
%高级人工智能%
%BNT的参数学习%
N=5； % 4个节点分别为国家政策c、学校政策u、工作压力大w、身体不适b、过劳死d
Dag=Zeros(n，n )； %网络连接矩阵初始化
C=1； U=2； W=3； B=4； D=5； 初始化%节点顺序
Dag(c，u )=1； 定义%节点之间的连接关系
Dag(u，[WB] )=1；
Dag(w，d )=1；
Dag(b，d )=1；
discrete_nodes=1:N； %离散节点
node_sizes=2*Ones(1，n )； %节点状态数
%建立网络体系结构
bnet=MK_bnet(Dag，node_sizes，' names '，{ '国家政策(c )，'学校政策(u )，'工作压力大' w )，'身体不适' b )，'过劳死
%手动构建条件概率CPT表
bnet.CPD{c}=tabular_CPD(bnet，c，[0.50.5]；
Bnet.CPD{u}=Tabular_CPD(Bnet，u，[0.950.010.050.99] )；
bnet.CPD{w}=tabular_CPD(bnet，w，[0.90.050.10.95]；
bnet.CPD{b}=tabular_CPD(bnet，b，[0.30.010.70.99]；
bnet.CPD{d}=tabular_CPD(bnet，d，[0.3350.30.0500.6650.70.951]；
%绘制构建的贝叶斯网络
图形
draw_graph(Dag )是
手动创建%示例数据samples :
nsamples=20000；
samples=cell(n，nsamples )；
fori=1:nsamples
samples(3360，I )=sample _ bnet (bnet )；
结束
data=cell2num(samples )；
bnet2=MK_bnet(Dag，node_sizes，' discrete '，discrete_nodes )；
%手动创建条件概率表cpt
seed=0；
rand(state )、seed )；
bnet2.CPD{c}=tabular_CPD(bnet2，c )；
bnet2.CPD{u}=Tabular_CPD(bnet2，u )；
bnet2.CPD{w}=tabular_CPD(bnet2，w )；
bnet2.CPD{b}=tabular_CPD(bnet2，b )；
bnet2.CPD{d}=tabular_CPD(bnet2，d )；
%将手动构建的示例作为训练集代入learn_params ()函数进行学习
bnet3=learn_Params(bnet2，data )；
%查看学习后的参数
CPT3=cell(1，n )；
fori=1:N
s=struct(Bnet3.CPD{I} )；
CPT3{i}=s.CPT；
结束
fprintf (输出学习后的过劳死节点参数(n ) )；
dispCPT{1}{2}CPT3{3}；
%查看原始节点参数后的参数
CPT=cell(1，n )；
fori=1:N
s=struct(Bnet.CPD{I} )；
CPT{i}=s.CPT；
结束
fprintf (输出实际过劳死节点参数(n )；
disp CPT {2} CPT {3} {4}；
执行结果：
ans=
0.45000.55000.28330.61670.5500
输出学习后的过劳死节点参数：
11:0.32330.6767
21:0.24580.7542
12:0.04880.9512
22:0.00001.0000
输出实际过劳死节点参数：
11:0.33500.6650
21:0.30000.7000
12:0.05000.9500
22:0.00001.0000
结构学习代码：
N=5； % 4个节点分别为国家政策c、学校政策u、工作压力大w、身体不适b、过劳死d
Dag=Zeros(n，n )； %网络连接矩阵初始化
C=1； U=2； W=3； B=4； D=5； 初始化%节点顺序
Dag(c，u )=1； 定义%节点之间的连接关系
Dag(u，[WB] )=1；
Dag(w，d )=1；
Dag(b，d )=1；
discrete_nodes=1:N； %离散节点
node_sizes=2*Ones(1，n )； %节点状态数
%建立网络体系结构
bnet=MK_bnet(Dag，node_sizes，' names '，{ '国家政策(c )，'学校政策(u )，'工作压力大' w )，'身体不适' b )，'过劳死
%手动构建条件概率CPT表
bnet.CPD{c}=tabular_CPD(bnet，c，[0.50.5]；
Bnet.CPD{u}=Tabular_CPD(Bnet，u，[0.950.010.050.99] )；
bnet.CPD{w}=tabular_CPD(bnet，w，[0.90.050.10.95]；
bnet.CPD{b}=tabular_CPD(bnet，b，[0.30.010.70.99]；
bnet.CPD{d}=tabular_CPD(bnet，d，[0.3350.30.0500.6650.70.951]；
%绘制构建的贝叶斯网络
%figure
是%draw_graph(Dag )
手动创建%示例数据samples :
nsamples=2000；
samples=cell(n，nsamples )；
fori=1:nsamples
samples(3360，I )=sample _ bnet (bnet )；
结束
data=cell2num(samples )；
%结构学习
order=[12345]； %节点顺序
ns=[22222]； %节点属性值的个数
max_fan_in=2； %最大父节点数
dag2=learn_struct_K2(data，ns，order，' max_fan_in '，max_fan_in )；
bnet2=MK_bnet(Dag2，node_sizes，' names '，{ '国家政策(c )，'学校政策(u )，'工作压力大' w )，'身体不适' B )，'过度劳累
%手动构建条件概率CPT表
bnet2.CPD{c}=tabular_CPD(bnet2，c，[0.50.5] )；
bnet2.CPD{u}=Tabular_CPD(bnet2，u，[0.950.010.050.99] )；
bnet2.CPD{w}=tabular_CPD(bnet2，w，[0.90.050.10.95]；
bnet2.CPD{b}=tabular_CPD(bnet2，b，[0.30.010.70.99]；
bnet2.CPD{d}=tabular_CPD(bnet2，d，[0.3350.30.0500.6650.70.951] )；
图形
draw_graph(Dag )； %绘制构建的贝叶斯网络
CPT2=cell(1，n )；
fori=1:N
s=struct(bnet2.CPD{I} )；
CPT2{i}=s.CPT；
结束
fprintf (输出结构学习后过劳死节点参数(n )；
dispCPT{1}{2}CPT2{3}；
执行结果：
输出结构学习后的过劳死节点参数：
11:0.33500.6650
21:0.30000.7000
12:0.05000.9500
22:0.00001.0000