bnconcep.m

麻省理工学院的人工智能工具箱,很珍贵,希望对大家有用!

%SELECCION DE VARIABLES DISCRETIZADAS
%se carga el estado de la atm髎fera de la Cuenca
%Norte dividido en 15 campos con 10 estados cada uno
load ('BayesNets/BNConcep/clasATM10')
%se carga la fenomenolog韆 de la Zona Centro de la Cuenca
%Norte para la Prec, Tm韓 y Tmax con 10 estados cada uno
load ('BayesNets/BNConcep/clasFEN10')

%Se unen las variables discretizadas en una 鷑ica matriz de datos
dato=[PreCan TnCan TxCan ATM];

%Se etiquetan las variables para identificarlas en el grafo, ojo
%con el orden
labels={'Pre','Tn','Tx',...
      'Z1000','Z850','Z500',...
      'T1000','T850','T500',...
      'U1000','U850','U500',...
      'V1000','V850','V500',...
      'H1000','H850','H500'};

%APRENDIZAJE DE LA ESTRUCTURA 
%N鷐ero de variables del sistema
novar=size(dato,2);
%N鷐ero de estados de cada variable
ns = max(dato);
%N鷐ero de padres potenciales, en este caso
%se consideran todos menos la propia variable
pot_par=2;
%N鷐ero m醲imo de padres
max_par=1;

%Se utiliza el coeficiente de correlaci髇 para elegir 
%los padres potenciales
N=abs(corrcoef(pstd(dato)));[a,b]=sort(N);
%lista ordenada de los padres potenciales que tienen 
%mayor coeficiente de correlaci髇 para cada variable
lis=b(end-pot_par+1:end,:)';

%Como el modelo no tiene muchas variables, se utiliza el algoritmo
%Local_B, para m醩 variables y/o estados ser韆 demasiado lento
%y se recomienda utilizar el algoritmo Local_K2
[dag,score]= L_B(dato',ns,lis,pot_par,max_par);

%PRESENTACION GRAFICA
%Se eliminan las variables que no intervienen
lista=find(sum(dag)>0 | sum(dag')>0);%variables efectivas en el modelo
dag=dag(lista,lista);labels=labels(lista);
figure
draw_graph(dag,labels);