摘要
因果图理论是利用图形化和直接因果强度来表达知识和因果关系的一种基于概率论的推理方法,而对于连续的因果图连接事件的概率密度函数(或可能性密度函数)是连续因果图能进行推理的关键,一般都是假定它们可由领域专家给出,这在实际中很难办到。文章首先给出了连续因果图的推理过程,然后讨论了如何利用已知数据集,在因果图结构已知的条件下利用参数、非参数、半参数化方法估计出连接事件的概率密度函数的途径。
Causality diagram theory is a methodology based on probability theory, which adopted graphical expression of knowledge and direct causal intensity of causality. The probability density function of linkage events is the basis of the inference. But it is difficult to give it by expert In the paper, we discuss the approaches to learn the parameters （probability density function of linkage events） from a set of data, given a fixed network structure, by the parametric, non-parametric and semi- parametric methods.
出处
《微电子学与计算机》
CSCD
北大核心
2007年第1期18-20,24,共4页
Microelectronics & Computer
基金
重庆市高等学校优秀中青年骨干教师计划重庆师范大学博士专项基金
关键词
因果图
概率密度函数
参数估计
Causality diagram, Probability density function, Parametric estimation
作者简介
王洪春,男．博士。研究方向为人工智能、不确定性推理。
