% E3 % 83 % 99 % E3 % 82 % a4 % E3 % 82 % b8 % E3 % 82 % a2 % E3 % 83 % 8d % B3 % E3 % 83 % E3 % 83 % 88 % E3 % 88 % E3 % A8 MATLAB % E3 % 83 % 84 % E3 % 83 % BC % E3 % 83 % ab % E3 % 83 % E3 % 83 % 88 % E3 % 81 % AE % E5 % BF % d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % 3d % E3 % 83 % 83 % 84 % E3 % 83 % BC % E3 % 83 % ab % E3 % 82 % ad % E3 % 83 % E3 % 83 % 83 % 83 % E3 % 83 % 83 % 83 % E3 % 83 % 8 0a % 23 % E3 % 83 % 99 % E3 % 82 % a4 % E3 % 82 % b8 % E3 % 82 % a2 % E3 % 83 % 8d % E3 % 83 % 83 % E3 % 83 % E3 % 83 % 83 % b8 % E3 % 83 % 83 % E3 % 83 % 83 % E3 % 83 % 83 % 83 % 9c % 80 % E5 % 88 % 9d % E3 % 81 % AE % E7 % 9b % AE % E7 % 9a % 84 % E3 % 81 % af % E3 % 80 % 81 % E3 % 82 % A8 % E3 % 82 % E3 % 82 % A8 % E3 % E3 % 82 % E7 % 9b % AE7% E7 % E3 % 81 % ab % E7 % a2 % ba % E7 % 8e % 87 % E3 % 82 % 92 % E4 % b8 % 8a % E3 % 81 % 92 % E3 % 82 % 8b % E3 % 81 % 93 % E3 % 83 % E3 % 83 % 83 % 83 % 83 % E3 % 83 % 83 % 84 % 88 % E3 % 83 % af % E3 % 83 % BC % E3 % 82 % af % E6 % a7 % 8b % e9 % 80 % A0 % E5 % AE % 9f % e9 % 9a % 9b % E3 % 81 % ab % ab % 96 % a2 % E7 % B9 % 8b % E3 % 81 % 8c % E3 % 81 % 82 % E3 % 82 % 8b % E5 % 8f % af % E8 % 83 % BD % E6 % 80 % a7 % E3 % 81 % 81 % E3 % 81 % 81 % 81 % 82 % 82 % E2 % E3 % 82 % E3 8 % E3 % 82 % a2 % E3 % 83 % B3 % E3 % 83 % 8d % E3 % 83 % E3 % 83 % af % E3 % 83 % BC % E3 % 82 % af % E3 % af % E3 % 95 % E3 % 83 % a2 % E3 % 83 % 87 % E3 % 83 % ab % E3 % 82 % 92 % E6 % 8f % 90 % E4 % be % 9b % E3 % 81 % 97 % E3 % 80 % 81 % 81 % ab 82 % a2 % E3 % 83 % B3 % E3 % 83 % 8d % E3 % 83 % 83 % 88 % E3 % 83 % af % E3 % 83 % BC % E3 % 82 % af % E3 % 81 % af % E3 % 81 % af 3 % 80 % 82 % 20 Bayes % 20 net % E3 % 81 % af % E4 % ba % 8c % E3 % 81 % a4 % E3 % 81 % AE % e9 % 83 % A8 % E5 % 88 % 86 % E3 % 83 % a9 % E3 % 83 % 95 % E3 % 81 % aa % E3 % 81 % 97 % ef % BC % 88 directed % 20 acyclic % 20 graph % ef % BC % 89 % E3 % 81 % aa3% 81 % E3 % E3 % 81 % E3 % 81 % af % BC % BC % 89 conditionalprobabilitydistributiontabular % ef % BC % 89 % E3 % 81 % 81 % 82 % E3 % 82 % 8b % E3 % 80 % 82 9 % E3 % 81 % af % E3 % 83 % a9 % E3 % 83 % B3 % E3 % 83 % 80 % E3 % 83 % A0 % E3 % 81 % aa % E5 % a4 % 89 % E6 % 95 % B0 % E3 % a3 % E7 % 9a % 84 % E3 % 81 % ab % E3 % 82 % 82 % e9 % 80 % a3 % E7 % B6 % 9a % E7 % 9a % 84 % E3 % 81 % ab % E3 % 82 % 82 % 82 % a2 % ba % E7 % 8e % 87 % E7 % 9a % 84 % E3 % 81 % aa % E4 % be % 9d % E5 % ad % 98 % e9 % 96 % a2 % E4 % BF % 82 % E3 % 82 % 92 % aa % E3 % E4 % be4% be3% 92 % 92 % 92 % 92 % 9 % 82 % 8b % E5 % 9c % ba % E5 % 90 % 88 % E3 % 80 % 81a % E3 % 81 % AFB % E3 % 81 % AE parents % E3 % 81 % a7 % E3 % 81 % 81 % 82 % 2 % E3 % 82 % 8b % E3 % 80 % 82 % 20 parents % E3 % 82 % 92 % E6 % 8c % 87 % E5 % AE % 9a % E3 % 81 % 99 % E3 % 82 % 8b % E3 % 83 % E3 % 87 % E3 % E3 % E3 % E3 % 82 1 % af % E5 % 9b % B3 % E3 % 81 % AE % e9 % 9d % 9e % E5 % ad % 90 % E5 % ad % ab % E3 % 81 % A8 % E3 % 81 % af % E7 % 8b % AC % E3 % 81 % ab % E5 % af % be % E3 % 81 % 97 % E3 % 81 % a6 % E3 % 80 % 81 Bayes % 20 net % E3 % 81 % af % E6 % 9d % a1 % E4 % B4 % a1 % a1 % B4 3 % 82 % 92 % E6 % 8f % 90 % E4 % be % 9b % E3 % 81 % 99 % E3 % 82 % 8b % E3 % 80 % 82 % 0a % 23 % 23 % 23 % 202. 88 % E3 % 83 % af % E3 % 83 % BC % E3 % 82 % af Bayes % 20 net % E3 % 83 % AC % E3 % 83 % BC % E3 % 83 % 8b % E3 % % 83 % af % E3 % 83 % BC % E3 % 82 % af % E3 % 83 % 88 % E3 % 83 % 9d % E3 % ad % 82 % b8 % E3 % 81 % A8 % E3 % 83 % 83 % E3 % 83 % BC % E3 % 82 % BF % E3 % 81 % ae2 % E3 % 81 % a4 % E3 % 81 % AE % e9 % 83 % A8 % E5 % 86 % E3 % 81 % 8c % E3 % 83 % af % E3 % 83 % BC % E3 % 82 % af % E3 % 83 % 88 % E3 % 83 % 9d % E3 % 83 % ad % E3 % 82 % b8 % E3 % 81 % af % E4 % ba % ba % BD 3 % 80 % 81 % E3 % 83 % 87 % E3 % 83 % BC % E3 % 82 % BF % E3 % 82 % 92 % E3 % 82 % A8 % E3 % 82 % af % E3 % 82 % B9 % E3 % 83 % E3 % 81 % A8 % E3 % 81 % 8c % E3 % 81 % a7 % E3 % 81 % 8d % E3 % 82 % 8b % E3 % 80 % 82 % 20 % E3 % 83 % 8d % E3 % 83 % 83 % 83 % 83 % b8 % AC % E5 % 8f % af % E8 % 83 % BD % E3 % 81 % be % E3 % 81 % 9f % E3 % 81 % af % e9 % 9d % 9e % E8 % a1 % A8 % E7 % a4 % be 3 % 82 % 8b % E3 % 80 % 82 % 20 % E3 % 80 % 8c % E8 % a6 % B3 % E6 % b8 % AC % E5 % 8f % af % E8 % 83 % BD % E3 % 80 % 8d % E3 % B4 % E6 % 8e % a5 % E4 % b8 % 8e % E3 % 81 % 88 % E3 % 82 % 8b % E3 % 81 % 81 % A8 % E3 % 82 % 92 % E6 % 84 % 8f % 83 % af % E3 % 83 % BC % E3 % 82 % af % E3 % 83 % 88 % E3 % 83 % 9d % E3 % 83 % ad % E3 % 82 % b8 % E3 % 81 % 8c % E5 % b8 % b8 % b8 % b8
Bayes Net的参数参数用CPD objects(CPD=Conditional Probability Distribution)表示。CPD表示给定父节点时，该节点的概率分布。 当所有节点的取值都是离散的时候，CPD可以用一个table来表示。即为 CPTs (Tabular CPDs)
* Tabular CPDs(扁平化的CPD)成为CPTs
CPT是一个多维向量，比如节点A有两个父节点C,D，那么A的CPT就是4个维度，第三个维度为A的取值可能，第四个维度是每种取值的概率。
* 工具箱中默认定义：false==1,true==2，在对参数赋值中应该保持一致性。
如果已知CPD，构造CPT的函数是 bnet.CPD{A}=tabular_CPD(bnet,A,[a1,a2,a3,a4...]);
#### 4.CPD CPD的定义是:P(X(i)|X(Pa(i))),X(Pa(i))是节点i的父节点，CPD即node i的父节点发生的情况下i发生的概率。
学习CPD 已有12个参数的BN,网络拓扑结构dag 如果我们不指定CPT，那么算法会构造随机参数，每一列CPT会从均匀分布中提取。
bnet=mk_bnet(dag,node_sizes); seed=0;%为了保证实验的可重复性 rand('state',seed); for i=1:12 bnet.CPD{i}=tabular_CPD(bnet,i); end bnet2=learn_params(bnet,data);%参数学习完毕
for i=1:12 s=struct(bnet2.CPD{i});%展示参数 CPT3{i}=s.CPT; end dispcpt(CPT3{1})%展示第一个node的参数
#### 5.Inference推理 BNT 有许多不同的Inference "engines"。 比如联合树引擎（junction tree engine）。可以通过如下方式使用： engine = jtree_inf_engine(bnet);
举个例子，在之后的讨论中也将沿用这个例子 脑卒中数据挖掘中，颈部血管筛查的结果，总结出7个节点。按照顺序（父节点在子节点之前）列如下：内膜增厚（TMT），斑块数目，斑块形态，斑块表面，溃疡，回声，是否脑卒中（dfStroke）。 我们已经构造出网络拓扑，bnet，并且学习了参数。下面使用它进行推断
假设我们知道斑块数量，斑块形形态以及是否溃疡三个证据，我们想知道被检查者患有脑卒中的概率(也是计算边缘分布)，将使用到BayesNet中的Inference
代码如下：
engine=jtree_inf_engine(bnet2);%使用联合树搜索引擎 evidence=cell(1,7);%由于有7个可观测节点（包含是否脑卒中节点） evidence{2}=2;
evidence{3}=1;
evidence{4}=2;%分别给出观测结果.为赋值的evidence是隐藏的，即evidence{i}=[] [engine,loglik]=enter_evidence(engine,evidence);% The first return argument contains the modified engine, which incorporates the evidence. The second return argument contains the log-likelihood of the evidence marg=marginal_nodes(engine,7)%计算第7个节点（dfStroke）的边缘分布