bayes法計算遺傳

A. Bayes判別法與Fisher判別法聯系與區別

至今還難以評價哪一種判別方法最好，此處僅對Bayes判別法與Fisher判別法作比較。（1）當k個總體的均值向量 共線性程度較高時，Fisher判別法可用較少的判別函數進行判別，因而比Bayes判別法簡單。另外，Fisher判別法未對總體的分布提出什麼特定的要求。
（2）Fisher判別法的不足是它不考慮各總體出現概率的大小，也給不出預報的後驗概率及錯判率的估計以及錯判之後造成的損失。而這些不足恰是Bayes判別法的優點，但值得指出的是，如果給定的先驗概率不符合客觀實際時，Bayes判別法也可能會導致錯誤的結論。
4 各判別法之間的關系
在上述判別法中，只要滿足一些必要的條件，它們將是等價的。
（1）在正態等協差陣的條件下，Bayes線性判別函數（在不考慮先驗概率 的影響）等價於距離判別准則。因此Bayes線性判別法與距離判別法是等價的。
（2）不加權的Fisher判別法等價於距離判別法，因此在等協差陣條件下，Bayes線性判別法、Fisher線性判別法與距離判別法三者是等價的。（理論上可以說明Bayes線性判別函數在總體是非正態時也適用，只不過喪失正態性後，Bayes判別法具有的平均錯判率最小的性質就不一定存在了）。

B. 貝葉斯原理及應用

貝葉斯決策理論是主觀貝葉斯派歸納理論的重要組成部分。貝葉斯決策就是在不完全情報下，對部分未知的狀態用主觀概率估計，然後用貝葉斯公式對發生概率進行修正，最後再利用期望值和修正概率做出最優決策。貝葉斯決策理論方法是統計模型決策中的一個基本方法，其基本思想是：1、已知類條件概率密度參數表達式和先驗概率。2、利用貝葉斯公式轉換成後驗概率。3、根據後驗概率大小進行決策分類。他對統計推理的主要貢獻是使用了"逆概率"這個概念，並把它作為一種普遍的推理方法提出來。貝葉斯定理原本是概率論中的一個定理，這一定理可用一個數學公式來表達，這個公式就是著名的貝葉斯公式。 貝葉斯公式是他在1763年提出來的：假定B1,B2,……是某個過程的若干可能的前提，則P(Bi)是人們事先對各前提條件出現可能性大小的估計，稱之為先驗概率。如果這個過程得到了一個結果A，那麼貝葉斯公式提供了我們根據A的出現而對前提條件做出新評價的方法。P(Bi∣A)既是對以A為前提下Bi的出現概率的重新認識，稱 P(Bi∣A)為後驗概率。經過多年的發展與完善，貝葉斯公式以及由此發展起來的一整套理論與方法，已經成為概率統計中的一個冠以「貝葉斯」名字的學派，在自然科學及國民經濟的許多領域中有著廣泛應用。公式：設D1，D2，……，Dn為樣本空間S的一個劃分，如果以P(Di)表示事件Di發生的概率，且P(Di)>0(i=1，2，…，n)。對於任一事件x，P(x)>0，則有： nP(Dj/x)=p(x/Dj)P(Dj)/∑P(X/Di)P(Di)i=1( http://wiki.mbalib.com/w/images/math/9/9/b/.png）貝葉斯預測模型在礦物含量預測中的應用 貝葉斯預測模型在氣溫變化預測中的應用 貝葉斯學習原理及其在預測未來地震危險中的應用 基於稀疏貝葉斯分類器的汽車車型識別 信號估計中的貝葉斯方法及應用 貝葉斯神經網路在生物序列分析中的應用 基於貝葉斯網路的海上目標識別 貝葉斯原理在發動機標定中的應用 貝葉斯法在繼電器可靠性評估中的應用 相關書籍: Arnold Zellner 《Bayesian Econometrics: Past, Present and Future》 Springer 《貝葉斯決策》 黃曉榕 《經濟信息價格評估以及貝葉斯方法的應用》 張麗 , 閆善文 , 劉亞東 《全概率公式與貝葉斯公式的應用及推廣》 周麗琴 《貝葉斯均衡的應用》 王輝 , 張劍飛 , 王雙成 《基於預測能力的貝葉斯網路結構學習》 張旭東 , 陳鋒 , 高雋 , 方廷健 《稀疏貝葉斯及其在時間序列預測中的應用》 鄒林全 《貝葉斯方法在會計決策中的應用》 周麗華 《市場預測中的貝葉斯公式應用》 夏敏軼 , 張焱 《貝葉斯公式在風險決策中的應用》 臧玉衛 , 王萍 , 吳育華 《貝葉斯網路在股指期貨風險預警中的應用》 黨佳瑞 , 胡杉杉 , 藍伯雄 《基於貝葉斯決策方法的證券歷史數據有效性分析》 肖玉山 , 王海東 《無偏預測理論在經驗貝葉斯分析中的應用》 嚴惠雲 , 師義民 《Linex損失下股票投資的貝葉斯預測》 卜祥志 , 王紹綿 , 陳文斌 , 余貽鑫 , 岳順民 《貝葉斯拍賣定價方法在配電市場定價中的應用》 劉嘉焜 , 范貽昌 , 劉波 《分整模型在商品價格預測中的應用》 《Bayes方法在經營決策中的應用》 《決策有用性的信息觀》 《統計預測和決策課件》 《貝葉斯經濟時間序列預測模型及其應用研究》 《貝葉斯統計推斷》 《決策分析理論與實務》

C. 求遺傳演算法優化貝葉斯網路matlab代碼。。。感激涕零！！！

我想晚上12點以後上傳東西，用的是區域網白天傳東西影響網速，所以想晚上傳，求一個腳本實現此功能。定時到晚上12點30分讓滑鼠自動點擊上傳按鍵，從而讓軟體開始工作？？

D. 貝葉斯網路學習

BN學習的目的就是要找到一個最能真實反映當前研究問題中現有的各研究對象之間相互依賴關系的BN模型，BN學習可以分為以下兩個階段:①結構學習(Structure Learn-ing)，即網路拓撲結構的學習。②參數學習(Parameter Learning)，即網路中每個節點變數的局部先驗條件概率分布的學習。

比較簡單的BN學習方法是先依據專家知識確定BN的拓撲結構，然後通過給定的樣本數據學習BN的概率分布(參數)。比較復雜的BN學習方法是BN的拓撲結構和概率分布都是通過給定樣本數據學習得出，這也是現在的研究熱點。結構學習和參數學習是相互聯系的，一方面BN的結構是由聯合概率分布函數來直接決定;另一方面，節點的條件概率依賴於BN的拓撲結構。

2.2.1 貝葉斯網路結構學習

BN結構學習就是利用訓練樣本數據，尋找對數據和先驗知識擬合的最好的網路拓撲結構。學習分為完備數據結構學習和不完備數據結構學習兩種情況。目前，具有完備數據的 BN 結構學習方法比較成熟，而從不完備數據中學習 BN 結構比較困難，現有演算法仍存在缺陷。

2. 2. 1. 1 具有完備數據的貝葉斯網路結構學習

當訓練樣本完備時，常用的 BN 結構學習演算法可以分為兩種: 基於搜索記分的方法和基於統計測試的方法。

( 1) 基於搜索評分的結構學習演算法。基於搜索評分的結構學習演算法將結構學習視為搜索最佳網路問題。其核心思想是: 首先添加任一條邊，然後使用搜索方法添加新的邊，最後利用評分函數評分，測試新舊網路分值的大小。學習的目的就是找到評分最大的結構。這是個連續進行的過程，直到老模型的分數不再比新模型的分數低為止。評分方法有很多，如基於熵的評分、最小描述長度( LMS) 的評分以及貝葉斯評分。這類演算法有一個共同點: 為每個候選的 BN 定義一種評價網路結構與樣本集吻合程度的測度，然後，通過遺傳和進化演算法、模擬退火法或者爬山演算法搜索具有最佳測度的拓撲網路結構。

( 2) 基於統計測試的結構學習演算法。該學習演算法的核心思想是: 首先進行訓練樣本統計測試，尤其是測試條件獨立性; 然後，利用節點集間的條件獨立性構造 DAG( 有向無環圖) ，以盡可能地囊括這些條件獨立性，它將獨立的概念從構造結構中分離出來。

具有代表性的統計測試的結構學習演算法有: ①Spirtes 等( 1993) 提出 SGS 演算法，是一個典型的用條件獨立性測試確定拓撲結構的演算法，該演算法從無向完全圖出發，如果相鄰結點間存在無向分隔割集，則刪除它們的邊，然後通過統計測試來確定剩餘邊的方向。②Acid 等( 1999) 提出了有向圖構造演算法 EP，證明有向圖模型無論是否為單連接結構都對分類問題的影響效果不大。③Cheng Jie 等( 2002) 年將統計測試與資訊理論結合，通過相互信息量的計算來確定節點間的條件獨立性，用相互信息量代替條件獨立測試，從而構造多連接有向圖模型。

2. 2. 1. 2 缺失數據情況下的貝葉斯網路結構學習

在數據不完整的情況下，BN 結構學習會比較困難，現有的研究演算法主要是基於打分的結構學習。數據不完備會導致出現以下兩方面問題: ①一些充分統計因子不存在，導致無法直接進行結構打分; ②打分函數不再具有可分解形式，因此不能進行局部搜索。圍繞這兩方面問題相繼出現了一些解決的方法，如 Friedman( 1997) 借鑒參數學習的選擇 － 期望最大演算法，提出模型的 EM 結構學習方法; Sebastian 等( 1997) 將 BC 演算法應用於結構學習; Fried-man( 1998) 引入一種使用貝葉斯打分方法學習概率模型的新方法，貝葉斯結構期望最大演算法，簡稱為 Bayesian － SEM 演算法。

2. 2. 2 貝葉斯網路參數學習

BN 參數學習的目標是: 給定訓練樣本和網路拓撲結構，利用先驗知識，確定 BN 模型各個節點處的條件概率。參數學習同樣可以分為完備數據和不完備數據兩種情況。數據完備時的參數學習演算法包括由 Fayyad( 1990) 提出的貝葉斯估計方法和 Spiegelhalter( 1996) 提出的最大似然估計 ( MLE) 方法; 從不完備的數據中學習概率參數的演算法主要有 Gibbs 樣本法( Heckerman，1995) 和期望-最大 ( EM) 演算法( Spiegelhalter，1990; Mallet，1991; Lauritzen，1991等) 。

2. 2. 3 貝葉斯網路推理

概率推理是 BN 應用的主要目的之一。BN 推理是根據某些已知給定值的節點，估計未知節點的值。即在給定一個 BN 模型的情況下，依據已知條件，利用貝葉斯概率中條件概率的計算方法，計算出所感興趣的目標節點發生的概率。在 BN 推理中主要包括以下 3 種推理方式:

( 1) 因果推理: 也稱自上向下的推理，目的是由原因推出結論。已知證據 ( 原因) ，根據BN 的推理計算，求出在該證據 ( 原因) 發生的情況下結果發生的概率。

( 2) 診斷推理: 也稱自下向上的推理，目的是由結論推出原因。是在已知結果情況下，根據 BN 推理計算，得到導致該結果發生的原因即其發生的概率。該推理常用在故障診斷、病理診斷中，目的是找到故障發生、疾病發生的原因。

( 3) 支持推理: 目的是對原因之間的相互影響進行分析，提供用以支持所發生現象的解釋。

BN 推理演算法大體可以分為精確推理演算法和近似推理演算法兩大類。理論上，所有類型的 BN 都可以用精確推理演算法進行概率推理，但實際上 BN 精確推理是一個 NP-hard 問題( Cooper，1990) ，尤其當模型結構較復雜、包含大量的變數時，精確推理就變得尤為困難。而近似推理相比精確推理來說，是解決復雜網路模型的一個較好辦法，它可以大大簡化計算和推理過程。因此，現階段 BN 研究中許多情況下都採用近似演算法。

E. 粒子群演算法遺傳演算法蟻群演算法模擬退火演算法和貝葉斯是一類演算法嗎

粒子群演算法、遺傳演算法、蟻群演算法、模擬退火演算法，這些是一類演算法，是一種基於迭代的優化演算法，用於求最優解。
貝葉斯分類演算法另一類，它是統計學的一種分類方法，利用概率統計知識進行分類的演算法。

F. 遺傳學的計算題，用bayes公式的……在線等答案

大致演算法和答案1類似 ：Aa的前概率為2/3,AA的前概率為1/3 Aa的條專件概率為1/2*1/2*1/2=1/8,AA的條件概率為1 所以Aa的聯合屬概率為2/3*1/8=1/12，AA的條件概率為1/3*1=1/3 則Aa的後概率為1/5，AA的後概率為4/5 因此這對夫婦再生育時出現患兒的概率為1/5*1/2=1/10

G. 高中生物遺傳的計算問題

1.首先確定顯隱性
(1)致病基因為隱性,無中生有
(2)致病基因為顯性,有中生無
2.再確定致病基因的位置
(1)常隱:無中生有生女患病
(2)常顯:有中生無生女正常
(3)伴X隱:母患子必患,女患父必患
(4)伴X顯:父患女必患,子患母必患
(5)伴Y遺傳:父傳子,子傳孫,子子孫孫無窮盡
3.不能確定的判斷類型
在系譜無上述特徵,只能從可能性大小來推測
(1)若代代連續,則很可能是顯性遺傳
(2)若患者無性別差異,男女患者各1/2,很可能是常染色體上的基因控制
(3)若有明顯的性別差異,很可能是性染色體的基因控制A.患者男性明顯多於女性,很可能是伴X隱
B.患者明顯女性多於男性,很可能是伴X顯
4.(1)若確定是隱性,母親患病兒子正常或者女兒患病父親正常,則一定不是X隱而是常隱
(2)若確定是顯性,父親患病女兒正常或者兒子患病母親正常,則一定不是X顯,而是常顯
5.概率問題一般用到9:3:3:1,3:1,測交一般為1:1,另外要注意常染色體生女兒(兒子)患病的概率與生患病的女兒(兒子)概率不同,後者還需乘以1/2
至於伴X遺傳,則要注意生女兒或兒子一定患病的時候是不用乘以1/2的,其他情況的話還要具體分析,一般概率問題難度不會太大.

H. 遺傳學醫學遺傳學Bayes定理的應用題目

AR病，父母一方為Aa，另一方不確定為Aa還是AA時，若是生出幾個正常的孩子時，自然的AA的相對概率就會增大，Aa的概率就相對降低了