贝叶斯公式:后验=似然/先验
P
(
A
i
∣
B
)
=
P
(
B
∣
A
i
)
P
(
A
i
)
∑
i
=
1
m
P
(
B
∣
A
i
)
P
(
A
i
)
P\left(A_{i} | B\right)=\frac{P\left(B | A_{i}\right) P\left(A_{i}\right)}{\sum_{i=1}^{m} P\left(B | A_{i}\right) P\left(A_{i}\right)}
P(Ai∣B)=∑i=1mP(B∣Ai)P(Ai)P(B∣Ai)P(Ai)
上面的式子的分母可以看作下面三个式子一步一步写出
P
(
A
i
∣
B
)
=
P
(
B
∣
A
i
)
P
(
A
i
)
P
(
B
)
P
(
B
)
=
∑
A
i
P
(
B
,
A
i
)
P
(
B
,
A
i
)
=
P
(
B
∣
A
i
)
P
(
A
i
)
\begin{array}{l} P({A_i}|B) = \frac{{P(B|{A_i})P({A_i})}}{{P(B)}}\\ P(B) = {\sum _{{A_i}}}P(B,{A_i})\\ P(B,{A_i}) = P(B|{A_i})P({A_i}) \end{array}
P(Ai∣B)=P(B)P(B∣Ai)P(Ai)P(B)=∑AiP(B,Ai)P(B,Ai)=P(B∣Ai)P(Ai)
公式可以理解为解决由观察到的现象(或是测量的数据)去推断现象(或是数据)后面的规律(或是假设)的发生的概率的问题当有多个现象发生时,一般假设现象独立,求后验概率。
下图更为清晰的说明规律和现象的推理关系。
在战场意图推理中,根据战场中的事件来推测作战意图
即事件就是现象,意图就是要分析的规律
在利用贝叶斯网络进行问题求解时,那些值已确定的变量构成的集合称为证据D,需要求解的变量集合称为假设X,基于贝叶斯网络的目标意图识别就是求解给定证据( 已发生的战场事件) 的条件下假设变量( 目标意图) 的后验概率P(X|D)
比如战场事件B,C 作战意图为
A
i
A_{i}
Ai 为简化计算,假设战场事件独立
求解后验概率公式如下
P ( A i ∣ B ∩ C ) = P ( B ∣ A i ) P ( C ∣ A i ) P ( A i ) ∑ i = 1 m P ( B ∣ A i ) P ( C ∣ A i ) P ( A i ) P\left(A_{i} | B \cap C\right)=\frac{P\left(B | A_{i}\right) P\left(C | A_{i}\right) P\left(A_{i}\right)}{\sum_{i=1}^{m} P\left(B | A_{i}\right) P\left(C | A_{i}\right) P\left(A_{i}\right)} P(Ai∣B∩C)=∑i=1mP(B∣Ai)P(C∣Ai)P(Ai)P(B∣Ai)P(C∣Ai)P(Ai)
在贝叶斯网络初始化时,目标意图和战场事件的置信度都是预先给定的,当检测到新的战场事件后,事件( 证据) 对目标意图( 假设) 的影响可通过贝叶斯后向传播来更新,直到目标意图中的某个假设( 节点状态) 的置信度超过了预先设定的阈值,则判定该目标意图成立。