貝葉斯網(wǎng)絡(luò)是以概率理論為基礎(chǔ)的不確定知識表示模型，貝葉斯網(wǎng)絡(luò)推理的目的是得到隨機變量的概率分布。目前，最流行的推理算法是聯(lián)合樹算法，它的主要思想是將貝葉斯網(wǎng)絡(luò)轉(zhuǎn)化為一棵無向樹，在無向樹上完成消息傳遞過程，求出原貝葉斯網(wǎng)絡(luò)中任意隨機變量的概率分布。為了降低算法的計算時空復(fù)雜度，對算法進行了不斷的改進，為貝葉斯網(wǎng)絡(luò)推理算法的進一步研究提供了條件。
貝葉斯網(wǎng)絡(luò)(Bayesian Network)又稱信度網(wǎng)(Belief Network)、概率網(wǎng)(Probability Network)是美國加州大學J.Pearl 教授首次完整提出的，是繼模糊邏輯、可信度方法和神經(jīng)網(wǎng)絡(luò)等方法之后的不確定知識表示模型，它不僅有著堅實的概率論理論基礎(chǔ)，同時又能夠很好地同專家頭腦中的知識結(jié)構(gòu)相對應(yīng)，所以引起了人們廣泛重視，在醫(yī)療診斷系統(tǒng)，數(shù)據(jù)挖掘，決策支持系統(tǒng)，軟件開發(fā)過程的軟件測試，網(wǎng)站的智能導航，電力系統(tǒng)的可靠性分析、故障診斷等都有著重要的應(yīng)用價值和廣闊的應(yīng)用，已經(jīng)成為人工智能領(lǐng)域?qū)Σ淮_定性知識的描述和推理十分重要的方法[1]。圖1 是一個簡單的貝葉斯網(wǎng)絡(luò)。
貝葉斯網(wǎng)絡(luò)的推理是貝葉斯網(wǎng)絡(luò)研究的重要內(nèi)容，研究人員提出了多種精確和近似推理算法，其中聯(lián)合樹(Junction Tree)算法[2]，又稱為Clique Tree 算法、Clustering 算法，是目前計算速度最快，應(yīng)用最廣的貝葉斯網(wǎng)絡(luò)精確推理算法。該算法最初是由Lauritzen and Spiegelhalter (1988)提出的，此后Jensen(1990)和Dawid(1992)又對其進行了改進。聯(lián)合樹算法以其容易理解，計算推理結(jié)果精確，高效的特點，得到廣泛應(yīng)用，許多有關(guān)貝葉斯網(wǎng)絡(luò)研究和應(yīng)用的軟件都將其作為默認的推理算法。