33
Hal
ini
biasanya
terjadi
bahwa
pengetahuan variabel
parents
yang
tidak
sepenuhnya menentukan nilai
dari
variabel
tersebut,
kita
merujuk
ke
variabel
seperti
stokastik.
Adapengecualian
penting, bagaimanapun,
di
mana
variabel
parents
sepenuhnya
menentukan
nilainya, dan kita
mengacu pada
variabel seperti deterministik.
Bila
kasusnya
ini,
keuntungan besar
efesiensi
dapat
dihasil
dari
menggunakan
pengkodean
tipis
dari
probabilitas
kondisional; ini
akan
muncul
sebagai
isu
penting
dalam penerapan jaringan Bayesian untuk pengenalan suara.
2.5.3. Dynamic Bayesian Network
Dalam
kasus
yang
dinamis,
jaringan
probabilistik model
sistem
seperti
ini
berkembang
seiring
waktu.
Pada
setiap
titik
waktu,
satu
set
variabel
X1;…;
X
n
adalah
ketertarikan.
Misalnya,
untuk
model
mengemudi
mobil, jalur-posisi dan kecepatan
yang
relevan. Sebuah DBN menggunakan satu set variabel X
i
t
mewakili nilai kuantitas i pada
waktu t.
DBNs
yang
juga
waktu-invariant
sehingga
topologi
jaringan
adalah
struktur
berulang,
dan
CPTs
tidak
berubah
dengan
waktu.
Distribusi
probabilitas gabungan
ini
kemudian direpresentasikan sebagai < 1 P(x
i
t
|Parents (X
i
t
). Dalam jaringan dengan
properti
Markov deret pertama, perents dari
variabel dalam
timeslice t
harus
terjadi baik
dalam
irisan t
atau
t-1. Distribusi bersyarat di
dalam dan di
antara
irisan diulang
untuk
semua
t>
0,
sehingga
DBNs
dapat
dicari
hanya
dengan
memberikan dua
iris
dan
hubungan
antara
mereka.
Ketika
diterapkan pada
urutan
pengamatan panjang
yang
diberikan,
DBN
masih
“unrolled”
untuk
menghasilkan jaringan probabilistik yang
sesuai ukuran untuk mengakomodasi pengamatan.
 |