贝叶斯网络建模与概率推理平台

资 源 简 介

本项目旨在MATLAB环境下开发一套完整的概率图形模型处理系统，涵盖贝叶斯网络的结构学习、参数学习及多模式推理核心功能。 在结构学习阶段，系统实现了基于评分搜索的K2算法和爬山算法（Hill Climbing），能够从大规模离散观测数据中自动寻找最优的有向无环图（DAG）结构，通过贝叶斯信息准则（BIC）有效避免过拟合，揭示变量间的因果依赖关系。 在参数学习阶段，系统支持最大似然估计（MLE）和贝叶斯估计方法，根据已确定的网络拓扑结构，从样本数据中计算各节点的条件概率分布，生成完整的条件概率表（CPT），并具备处理数据稀疏性的平滑功能。 在概率推理阶段，系统集成了精确推理算法（如变量消除法、联合树算法）和近似推理算法，使用户能够输入特定的已知证据（Evidence），实时计算查询节点的后验概率分布。 该平台可广泛应用于医疗诊断辅助、复杂工业设备故障根因分析、金融信用风险评估以及不确定性决策优化等领域，为研究人员提供从原始数据到决策支持的完整技术链路。

详 情 说 明

基于MATLAB的贝叶斯网络全流程构建与推理平台

项目介绍

本项目是一个集成化的贝叶斯网络（Bayesian Network, BN）建模与分析平台，完全基于MATLAB环境开发。系统涵盖了从原始数据出发到最终决策支持的全生命周期功能，包括结构学习、参数估计、精确概率推理以及敏感度分析。该平台能够自动地从离散观测数据中挖掘变量间的因果关系，量化不确定性，并允许用户通过输入已知证据来预测目标事件的发生概率。

功能特性

1. 自动化结构挖掘：集成了K2搜索算法，能够根据数据驱动的方式发现变量间的有向无环图（DAG）结构。
2. 鲁棒的参数估计：支持最大似然估计（MLE），并内置拉普拉斯平滑处理，有效解决数据稀疏导致的零概率问题。
3. 高效概率推理：通过变量消除算法实现精确推理，支持多证据节点输入和单查询节点计算。
4. 动态敏感度分析：能够量化评估特定节点参数变动对最终推理结果的影响程度。
5. 直观可视化：自动生成网络拓扑图，并以图表形式展示推理结果与敏感度曲线。

系统要求

• MATLAB R2020b 或更高版本
• 无需额外工具箱（核心算法均采用原生矩阵运算实现）

实现逻辑与功能细节

该平台的核心逻辑封装在一个完整的自动化流水线中，具体实现细节如下：

1. 环境初始化与数据模拟

系统首先定义了由5个变量（天气阴、下雨、洒水器、草地湿、路面滑）组成的典型贝叶斯网络模型。通过预设的概率逻辑生成1000组离散观测样本（取值为1或2，代表“否”或“是”），为后续的学习算法提供基础数据。

2. 结构学习 (K2 算法)

K2算法是一种贪婪搜索算法。系统根据预定义的节点顺序（D-B-C-A-E），逐个为节点寻找能够使贝叶斯评分（Log-Bayesian Score）指标最大化的父节点组合。

• 评分函数：利用Gamma对数函数（gammaln）计算离散状态下的条件独立性得分。
• 约束条件：通过设置最大父节点数量，在模型复杂度和泛化能力之间取得平衡。

3. 参数学习 (MLE + 平滑)

在确定拓扑结构后，系统进入参数估计阶段。

• 频率计数：统计在给定父节点状态组合下，当前节点各状态出现的频次。
• 拉普拉斯平滑：通过在计数基础上加1，生成条件概率表（CPT），确保即便在从未出现的样本组合下也能进行逻辑推理。
• 多维映射：针对多父节点情况，算法能够动态构建多维概率矩阵。

4. 变量消除推理 (Variable Elimination)

系统实现了经典的因子运算模型：

• 因子初始化：将每个节点的CPT转换为因子表示。
• 证据缩减 (Observe)：根据输入的已知条件（如“路面滑=是”且“天气不阴”），切片并降低因子的维度。
• 因子乘积 (Product)：利用广播机制（bsxfun）实现不同变量集合因子的对应元素相乘。
• 边际化 (Marginalize)：求和消除非查询、非证据节点。
• 归一化：确保输出的后验概率分布和为1。

5. 敏感度分析

该模块通过迭代调整特定节点（如“下雨”）的先验概率，观测目标查询结果的变化趋势。系统会自动绘制敏感度响应曲线，揭示变量间的相互依赖强度。

6. 结果可视化

• DAG展示：利用MATLAB的digraph函数将学习到的矩阵转化为有向图，清晰展示变量间的层级依赖。
• CPT展示：控制台会打印各节点完整的条件概率矩阵，便于研究人员校验学习结果。

使用方法

1. 准备数据：准备一个矩阵，每行代表一个样本，每列代表一个变量，取值应为从1开始的正整数。
2. 设置节点：定义变量名称及每个变量可能的取值级别（如 binary 各节点设为2）。
3. 运行主程序：直接执行脚本，系统将依次进行结构自搜索、参数计算、图形显示及预设案例的概率推理。
4. 自定义查询：通过修改evidence结构体中的nodes（节点索引）和values（节点观测值），即可实时获取特定场景下的概率预测结论。