2.2  贝叶斯网络

贝叶斯网络主要研究方面如下述：

（1）计算复杂性。主要研究BN上的学习、推理的算法复杂性，结论是BN上的学习、精确推理、近似推理都是NP难题[17]。

（2）在BN上的学习，包括参数学习和结构学习。参数学习主要有经典统计学方法和贝叶斯方法，许多研究文章都论述了这两种方法在BN上运用的详细内容。在结构学习方面，Heckerman（他于1995年写出了比较系统的BN理论技术性介绍文章，标志着至此BN理论已成为一门系统的理论。）的建议被广泛接受。他的建议就是搜索整个网络状态空间并为每次搜索结果打分，以找出最好得分的那些结构。这方面的研究主要涉及了好的搜索算法和给搜索结果评分的函数等问题[17]。

（3）在BN上的推理算法。在这方面已有比较多的成果，包括经典的联结树算法、变量消除法、SPI法等，以及属于近似算法的模拟取样法、变换方法和参数近似法等[17]。

（4）BN的应用研究。比较著名的有微软公司开发的Office产品的帮助系统向导和Windows的打印故障自动检测，以及快速医疗诊断决策参考模型QMR-DT，这是由600种疾病和4000种疾病现象组成的BN系统[17]。

2.3  贝叶斯网络的优点

贝叶斯网络在人工智能领域处理不确定问题时的突出优点如下：

（1） 能够处理不确定和概率性的事件与事物。

（2） 能够用于学习因果或其他类别的关系。

（3） 它是一种将（专家）先验知识和数据进行综合的理想表达模式。

（4） 能够处理不完全（或部分数据丢失的）数据集。

因此，BN已成为智能分析、智能学习、智能控制等智能领域的强有力的工具之一，其实际应用范围广泛：

BN在信息恢复、诊断、经济领域、医学应用、工业方面、电信通信业、交通管理、文化教育、国防系统等领域都取得了显著的成果。