教学目的、要求
本课程可作为信息科学各专业研究生的专业基础课。信息的表达、学习和推理一直是研发应用系统和大型信息系统的瓶颈。为此，近半个世纪来，世界学术界费尽心机，对人工智能、神经网络、以及各种分类、学习和挖掘方法投入了巨大的研究力量，旨在找出一种具有严谨数学基础的理论框架。最近10年发展起来的贝叶斯网络，就是这样一种理想的理论框架：一方面，它有非常成熟的贝叶斯方法和（条件）概率论，以及图论作为它的理论基础，另一方面，图形表示方法提供了直观和形象的应用分析手段。现在，贝叶斯网络在生命科学、经济学、大气物理、和信息科学等领域有了非常重要的应用。本课程将重点分析使用贝叶斯网络对问题、信息和知识的表示、推理和学习的理论和方法，以及简化实现的途径，并重点讲述多信息融合和动态系统。
预修课程
随机信号处理、概率论
教材

主要内容
本课程计划分七章，两大部分： 第一章绪论从知识表示和推理机制的研究历史出发，从六、七十年代的人工智能，到八、九十年代的神经网络，再到各种分类、学习、挖掘方法，说明贝叶斯网络的基本理论和方法，并举几个典型的应用实例。 第一大部分包括第二、三、四章。把贝叶斯网络作为一种知识表示框架来看，讲述如何使用定义在有向图上的条件概率，或用定义在无向邻域图上的势函数，来描述应用中的事、物和他们的相互依存关系；并进一步叙述使用贝叶斯网络由已知参数推理或预测其它参数的方法；以及使用已知数据，学习和定义贝叶斯网络的参数和结构的方法。 其中： 第二章讲述贝叶斯网络的基本概念，包括条件概率分布，有向非循环图，I－MAP，分解， d－Separation，马尔可夫网络，因果独立，特定情景独立等。 第三章是贝叶斯网络中的推理，贝叶斯网络中的推理复杂度，MAP最大后验概率推理，变量消除，联结树，Chordal图等。 第四章讲述贝叶斯网络的学习方法，包括最大似然估计，贝叶斯网络中的参数学习，贝叶斯预测，贝叶斯网络结构学习，等。 第二大部分讲述动态系统贝叶斯网络。不少关于贝叶斯网络的书不讲动态系统，其实动态贝叶斯网络的应用更重要、更广泛，因为自然界很多事件和物体都是随时间和空间变化的。第五、六、七章中，我们将用贝叶斯网络的概念，处理多传感器（多测量）数据、多目标（多参数）估计和识别问题。这里涉及了在不同位置的多传感器和多种传感器数据的融合问题，目标的动态特性的非线性问题，被测量目标的相关和互相影响等非常前沿的研究课题。 其中： 第五章讲述动态系统滤波方法，从卡尔曼滤波到扩展卡尔曼滤波，再到粒子滤波；并同时讲述多信息融合和多目标估计。 第六章讲述隐性马尔可夫模型，包括隐性马尔可夫模型、Viterbi求解方法和隐性马尔可夫模型的学习方法。 第七是Gibbs取样，讲述用马尔可夫场来描述被测目标和参数的相关和互相影响、相关联知识的表示和应用，并从“relaxation”方法到Gibbs采样和随机采样。 由于贝叶斯网络及其应用仍处于发展时期，虽然世界上不少著名的大学，如斯坦福等，已经开始了相应的课程。但是，公认的成熟的教材还未出现。在名称上，也有两派，一方重知识表示，只讲前一部分，称“贝叶斯网络”，另一方则侧重动态系统，称“概率图形模型”。他们的基本思想和方法是一样的。因此，我们用“贝叶斯网络”，从两方面讲述贝叶斯网络的理论、方法和应用，因为这两方面对于信息科学领域的学者来说，都是及其重要的。