贝叶斯网络意图推理（1）

贝叶斯公式：后验=似然/先验
$$P\left(A_i|B\right)=\frac{P\left(B|A_i\right)P\left(A_i\right)}{{\sum }_{i=1}^{m}P\left(B|A_i\right)P\left(A_i\right)}$$
上面的式子的分母可以看作下面三个式子一步一步写出
$$\begin{array}{l}P(A_i|B)=\frac{P(B|A_i)P(A_i)}{P(B)}\\ P(B)={\sum }_{A_i}P(B,A_i)\\ P(B,A_i)=P(B|A_i)P(A_i)\end{array}$$
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$A_i$ 为简化计算，假设战场事件独立
求解后验概率公式如下

$$P\left(A_i|B\cap C\right)=\frac{P\left(B|A_i\right)P\left(C|A_i\right)P\left(A_i\right)}{{\sum }_{i=1}^{m}P\left(B|A_i\right)P\left(C|A_i\right)P\left(A_i\right)}$$

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。