连接树与信念传播算法
junctiontree的Python项目详细描述
#连接树
使用连接树算法实现离散因子图推理
要求：
----
*numpy（>；=1.12）
因子图：
----
在
因素中。（一个键对应一个变量。）
````[keys1，…，keysn]n个因子的列表```
由于因子列表的长度是
作为因子值的表示
````[values1，…，valuesn]```
e，size是表示变量大小的整数。它与数值数组中相应轴的长度
generic trees（递归定义）：
---------------------------
````
[索引、键、子树1，…，子树]
```
```
树结构（由节点列表中的节点索引组成）：
[
索引，
（
separator1_索引，
子树1
），
…，
（
separatorn_索引，
子树
）
]
节点列表（元素是定义节点的键：
[节点0键，节点1键，…，节点n键]
（连接）树中的电位：
--------
树图中的节点id将
映射到此数据结构中的数组，以便在执行阶段获得数值
数组。在编译阶段不需要数字数组
。
\将传播视为bp
导入交叉点。交叉点视为jt
将numpy导入为np
关键尺寸={
"多云"：2，
"洒水"：2，
"雨"：2，
"湿草"：2
}
因子=[
["多云"]，
["多云"，"洒水车"]，
["多云"，"雨"]，
["雨"，"洒水车"，"湿草地"]
值=[
np.数组（[0.5,0.5]），
np.数组（
[
[0.5,0.5]，
[0.9,0.1]
]
]，
np.数组（
[
[0.8,0.2]，
[0.2,0.8]
]
），
np.数组（
[
[
[1,0]，
[0.1,0.9]
]，
[
[0.1,0.9]，
[0.01,0.99]
]
]
]
]
tree=jt.创建连接树（因子，关键大小）
````
初始团电位不一致。通过在连接树上进行全局传播，使电位保持一致。在观察连接树中变量的数据之后，可以使团势保持一致
```
#然后，同样的值：
cond_values=values.copy（）
从一组一致的团势集合中，可以计算出感兴趣变量的边际值
````
pr（洒水车湿草地=1）
marginal=np.sum（prop_值[1]，轴=0）
标准化值：
范数边缘=边缘/np.和（边缘）
````
参考文献：
s.m.aji和r.j.mceliece，《信息论ieee汇刊》，第46卷，第2期，第325-343页，2000年3月。doi:10.1109/18.825794
cecil huang，adnan darwiche，《信念网络中的推理：程序指南》，国际近似推理杂志，第15卷，第3期，1996年，第225-263页，issn 0888-613x，http://dx.doi.org/10.1016/s0888-613x（96）00069-2.
使用连接树算法实现离散因子图推理
要求：
----
*numpy（>；=1.12）
因子图：
----
在
因素中。（一个键对应一个变量。）
````[keys1，…，keysn]n个因子的列表```
由于因子列表的长度是
作为因子值的表示
````[values1，…，valuesn]```
e，size是表示变量大小的整数。它与数值数组中相应轴的长度
generic trees（递归定义）：
---------------------------
````
[索引、键、子树1，…，子树]
```
```
树结构（由节点列表中的节点索引组成）：
[
索引，
（
separator1_索引，
子树1
），
…，
（
separatorn_索引，
子树
）
]
节点列表（元素是定义节点的键：
[节点0键，节点1键，…，节点n键]
（连接）树中的电位：
--------
树图中的节点id将
映射到此数据结构中的数组，以便在执行阶段获得数值
数组。在编译阶段不需要数字数组
。
\将传播视为bp
导入交叉点。交叉点视为jt
将numpy导入为np
关键尺寸={
"多云"：2，
"洒水"：2，
"雨"：2，
"湿草"：2
}
因子=[
["多云"]，
["多云"，"洒水车"]，
["多云"，"雨"]，
["雨"，"洒水车"，"湿草地"]
值=[
np.数组（[0.5,0.5]），
np.数组（
[
[0.5,0.5]，
[0.9,0.1]
]
]，
np.数组（
[
[0.8,0.2]，
[0.2,0.8]
]
），
np.数组（
[
[
[1,0]，
[0.1,0.9]
]，
[
[0.1,0.9]，
[0.01,0.99]
]
]
]
]
tree=jt.创建连接树（因子，关键大小）
````
初始团电位不一致。通过在连接树上进行全局传播，使电位保持一致。在观察连接树中变量的数据之后，可以使团势保持一致
```
#然后，同样的值：
cond_values=values.copy（）
从一组一致的团势集合中，可以计算出感兴趣变量的边际值
````
pr（洒水车湿草地=1）
marginal=np.sum（prop_值[1]，轴=0）
标准化值：
范数边缘=边缘/np.和（边缘）
````
参考文献：
s.m.aji和r.j.mceliece，《信息论ieee汇刊》，第46卷，第2期，第325-343页，2000年3月。doi:10.1109/18.825794
cecil huang，adnan darwiche，《信念网络中的推理：程序指南》，国际近似推理杂志，第15卷，第3期，1996年，第225-263页，issn 0888-613x，http://dx.doi.org/10.1016/s0888-613x（96）00069-2.
欢迎加入QQ群-->： 979659372
