「这是我参与11月更文挑战的第18天，活动详情查看：2021最后一次更文挑战」
简介
前面五章的介绍已经将贝叶斯网络的分类介绍清楚了，并且也列举了一些动态贝叶斯的应用场景。今天主要还是介绍一些贝叶斯的应该模块，可以让大家对于贝叶斯的了解更加深入。
具体研究成果展示
《基于动态贝叶斯生成对抗网络的量化择时研究》
预测金融数据具有不确定性，动态贝叶斯可以较好表示不确定性关系并推理未来事件发展概率。DBN是贝叶斯学习技术的扩展，当前研究成果主要是由静态BN的学习技巧和科研结果扩展到动态领域。
由于金融领域具有时效性，因此静态贝叶斯并不适合对金融领域进行预测，然后动态贝叶斯是静态贝叶斯与时间的结合，对于时间很敏感，所以对于实现金融数据的预测具有先天的优势，因此动态贝叶斯网络的建立可以更好的时间对于金融数据的预测。
《基于动态贝叶斯网络的TBM卡机风险预测》
从前面有关贝叶斯的知识我们可以了解到贝叶斯网络是一个有向无向图，每一个结点之间的关系都通过有向边之间的关系进行连接。因此对于TBM卡机的风险预测，采用动态贝叶斯网络进行时间片的迁移，进行动态的分析及其预测。
通过专家知识以及解释结构模型确定风险因素和风险事件的因果关系，运用粗糙集分类原理对数据进行离散化，获取风险因素的原始先验概率和风险事件的条件概率。结合软件GENIE，建立动态BN模型预测卡机风险。
建立动态贝叶斯模型之后，根据实际情况对危险评估进行分析，让风险分为几个等级，然后按照等级进行相应的处理，以此来加快对于TBM卡机风险预测的准确性，并且减轻人工检测的负担以此来达到动态贝叶斯网络建立的效果。
有关贝叶斯网路的建立有一个很关键的因素是对于数据特征的提取，最近小落叶在进行癫痫脑电的特征提取，在这里可以将特征提取的部分代码演示一下：
str1='chb08_';
str2='data.mat';
str7='.mat';
str3='_E1';
str5='_E2';
str6='_fangcha';
str4='label';
str8='_PE';
str9='_X';
Name_data = [str1, num2str(aaa), str2];
load(Name_data);
chr1=[str1, num2str(aaa),str3,str7];%num2str(u):把数值u转换为字符串
chr2=[str1, num2str(aaa),str5,str7];
chr3=[str1, num2str(aaa),str6,str7];
chr4=[str1, num2str(aaa),str8,str7];
chr5=[str1, num2str(aaa),str9,str7];
% 下面这两个都得改，取同一段信号
%record = e(:,(649-1)*1024+1:652*1024);
record = e;
[hang,lie]= size(record);
% L的含义是一共有多少段信号
L = lie/1024;
% 调用Vmd_cs（）函数，实现vmd分解，并求出能量、方差、排列熵特征。
%[E1,E2,fangcha,pe] = test_vmd(hang,L,record);ord = e;
[E1,E2,fangcha,pe,x] = test_vmd(hang,L,record);
save(chr1,'E1')
save(chr2,'E2')
save(chr3,'fangcha')
save(chr4,'pe')
save(chr5,'x')
小落叶只是在这里演示一个有关提取特征的例子，并且这是很关键的一步，只有完成这一步，对于后面实验步骤的预测才是完备且准确的。
《贝叶斯网络结构学习算法研究》
BN结构与预测效果直接相关，学习BN结构已经被证明是NP难问题，因此快速准确的学习BN结构极为重要。
基于遗传算法（Geneticalgorithm， GA）的BN结构学习算法存在搜索时间过长、易陷于局部最优的问题。当数据量较大时，单机算法无法在限定的时间内得到BN结构，同时当各个计算流程相对独立时部分数据的使用率较低。
基于进化算法（Evolutionary algorithm， EA）的搜索算法已被许多研究者用于BN结构学习算法，寻找结构准确的BN是学习过程的重要组成部分，同时也直接影响着BN参数的学习。基于EA的算法主要在两类结构学习算法中被广泛使用，分别是评分搜索方法和混合方法。
本章提出了一种新的混合结构学习算法EKGA-BN，EKGA-B使用了一种新的选择算子保持种群多样性，以便学习准确率更高的BN结构，并在此选择算子中引入爬山法的思想以加快收敛速度。
寄语
这些就是最近小落叶整理的关于贝叶斯网络在研究开发中的应用，可能有些片面的因素在里面，但也从一些方面反映了贝叶斯近几年的研究方向。可能这些方向现在已经不是最新的研究方向了，小落叶也会继续努力，希望有志同道合的朋友可以一起研究一下。
