Python精神病算法和自我认知异类数学模型

🎯要点

🎯空间不确定性和动态相互作用自我认知异类模型 | 🎯精神病神经元算法推理 | 🎯集体信念催化个人行动力数学模型 | 🎯物种基因进化关系网络算法 | 🎯电路噪声低功耗容错解码算法

📜和-积消息传递算法用例

📜MATLAB激光通信和-积消息传递算法(Python图形模型算法)模拟调制

🍪语言内容分比

在这里插入图片描述
在这里插入图片描述

🍇Python贝叶斯网络消息传递算法

首先,假设我们有一个多叉树,它是没有循环的图。例如,我们有 4 个变量“下雨”、“洒水器”、“福尔摩斯”和“华生”,有向边分别为“下雨”到“福尔摩斯”、“下雨”到“华生”和“洒水器”到“福尔摩斯”。贝叶斯网络模拟了福尔摩斯和华生是邻居的故事。一天早上,福尔摩斯走出家门,发现草地湿了。要么是下雨了,要么是他忘了关洒水器。于是他去找邻居华生,看看他的草地是否也湿了。当他看到草地确实湿了时,他很确定他没有忘了洒水器,而是下雨了。因此,信息从华生流向洒水器。这种信息流由贝叶斯网络中的消息传递算法建模。

可能性包含有关观察的信息,例如,福尔摩斯草地在未观察的情况下的可能性为 1(湿)和 1(不湿)。如果观察到湿草,可能性变为 1(湿)和 0(不湿)。这些单位向量未归一化。
L ( X ) = ∏ K λ ( K → X ) L(X)=\prod_K \lambda_{(K \rightarrow X)} L(X)=Kλ(KX)
似然函数基本上是变量子级发送的所有传入消息的乘积。它返回一个似然向量,其中包含变量每个可能值的似然值。对于“下雨”,它的基数为 2,代表“是”和“否”两种状态。

如果某个变量没有子节点(因为它是图中的叶节点且未被观察到),则其似然向量将是一个单位向量,其所有可能值均为 1,例如,由于我们一开始没有观察到福尔摩斯的草,因此我们将其似然向量分别设置为 [1, 1],代表“不湿”和“湿”。

Python伪码表示:

def likelihood(self):incoming_children_messages = np.array([c.message_to_parent(self) for c in self.children])return incoming_children_messages.prod(axis=0)

先验是某些事件在开始时就已经知道的概率,例如,下雨的概率为 20%。如果先验未知,则使用以下公式进行计算。先验会给出相应变量的无条件概率。因此,我们还需要包括条件概率。
π ( X ) = ∑ W P ( X ∣ W ) ∏ K ϕ ( K → X ) \pi(X)=\sum_W P(X \mid W) \prod_K \phi_{(K \rightarrow X)} π(X)=WP(XW)Kϕ(KX)
我们的例子中还给出了条件概率。公式中的“P(X|W)”对应于此。此外,我们需要使用来自所有父方的传入消息,即公式中的“ϕ”。索引显示消息方向 - 从父“K”到当前变量“X”。使用这两个部分(条件概率和来自父的消息)是因为它们都提供有关变量概率的信息。一方面,我们看到给定某些父值的概率,另一方面我们看到这些父的消息。如果没有观察,这些信息对应于父的先验。因此,这里计算“X”的边际并摆脱条件变量。

Python伪码表示:

def priors(self):parents_messages = [p.message_to_child(self) for p in self.parents]return reduce(np.dot, [self.m.transpose()]+parents_messages)

信念是我们观察到某些事件后的后验概率。它基本上是可能性和先验的标准化产物。
β ( X ) = α L ( X ) π ( X ) \beta(X)=\alpha L(X) \pi(X) β(X)=αL(X)π(X)
Python伪码表示:

def belief(self):unnormalized = self.likelihood() * self.priors()normalized = unnormalized/unnormalized.sum()return normalized

为了计算变量的可能性,我们需要考虑来自变量子项的所有传入消息,这些消息由似然函数中的 lambda 表示。
λ ( X → K ) = ∑ x ∈ X L ( x ) ∑ k ∈ K ; k ∈ u P ( x ∣ u ) ∏ i ≠ k ϕ ( Y → X ) i \lambda_{(X \rightarrow K)}=\sum_{x \in X} L(x) \sum_{k \in K ; k \in u} P(x \mid u) \prod_{i \neq k} \phi_{(Y \rightarrow X) i} λ(XK)=xXL(x)kK;kuP(xu)i=kϕ(YX)i
这个公式相当混乱,但看一些 Python 代码会更容易理解。一般来说,我们从 P(X|U) 中边缘化 K,而 X 是发送者(子节点),K 是接收者(父节点),U 是 X 的所有父节点,包括 K。如果我们想象一个 X 的条件概率表,对于每个条目,我们取父节点的相应激活,并将相应的传入消息 ϕ 乘以不包含 K 本身的数值。然后,我们将该值乘以 X 的似然值。最后,我们将所有 K 值相同的值相加,剩下向量是从 X 到 K 的消息。

Python伪码表示:

def message_to_parent(self, parent):likelihood = self.likelihood()parents_priors = np.array([p.message_to_child(self) for p in self.parents if p != parent])parent_i = self.parents.index(parent)stack = np.vstack([np.dot(self.m.take(r, axis=parent_i).transpose(),    parents_priors.prod(axis=0)) for r in range(parent.cardinality)])return np.dot(stack, likelihood)

计算父方发送给子方的消息有两种方法。要么将从其他子方收到的所有消息与当前节点的先验相乘,要么将当前节点的信念除以相应子方发送给父方的消息。
κ ( X → K ) = α ∏ C \ K λ ( C → X ) π ( X ) = α β ( X ) λ ( K → X ) \kappa_{(X \rightarrow K)}=\alpha \prod_{C \backslash K} \lambda_{(C \rightarrow X)} \pi(X)=\alpha \frac{\beta(X)}{\lambda_{(K \rightarrow X)}} κ(XK)=αC\Kλ(CX)π(X)=αλ(KX)β(X)
我们认为这个公式称为 Kappa,其索引告诉我们消息的方向(从 X 到 K)。

如果我们看一下信念公式,就会发现这个公式是似然值和先验值的乘积。然而,似然值是所有传入消息的乘积。因此,信念除以来自 K 的传入消息,结果是所有传入消息(除了我们除以的消息)与先验值的乘积。这样,我们就可以解释两种计算 Kappa 的方法之间的相等性。给子方发送消息背后的直觉与给父方发送消息类似。您要考虑所有传入消息,然后将聚合发送到下一个节点。

Python伪码表示:

def message_to_child(self, child):children_messages = []for c in self.children:if c != child:children_messages.append(c.message_to_parent(self))if len(children_messages) > 0:unnormalized = (children_messages * self.get_priors())unnormalized = unnormalized.prod(axis=0)message = unnormalized/unnormalized.sum()return messagereturn self.get_priors()

👉参阅&更新:计算思维 | 亚图跨际

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/870394.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【Java】零散知识--感觉每条都有知识在进入脑子唤起回忆

1,什么是双亲委派 AppClassLoader在加载类时,会向上委派,取查找缓存。 AppClassLoader >>ExtClassLoader >>BootStrapClassLoader 情况一 向上委派时查找到了,直接返回。 情况二 当委派到顶层之后,缓…

CSS特效:pointer-events: none;的一种特殊应用

一、需求描述 今天看到一个设计需求:需要在弹框中显示如下界面,其中有两个效果: 1.顶部点击项目,下面的内容能相应滚动定位,同时滚动的时候顶部项目也能相应激活显示 2.顶部右侧有一个模糊渐变效果,并且要…

从0到1搭建数据中台(1)

初识 数据仓库,数据湖,大数据平台,数据中台的发展历程梳理;数据中台的搭建方法论;数据中台搭建的初步落地,参考大神郭忆的课程,看完就会对全貌有个理解。 Easydata大数据生产力平台架构图。 有…

html页面实现socket.io

使用CDN&#xff1a;https://socket.io/zh-CN/docs/v4/client-installation/ socket.on 监听服务端的事件 socket.emit 是客户端的事件 <!DOCTYPE html> <html> <head><title>长时间任务</title><script src"https://cdnjs.cloudflare…

linux 文件末尾追加内容

1、echo echo "Hello, World!" >> example.txt 2、printf printf "Hello, World!\n" >> example.txt 3、cat 多行添加 cat >> example.txt <<EOF Line 1 Line 2 Line 3 EOF 4、sed sed -i ‘$a\要添加的文本’ example.txt 其中…

vue实例和容器的一夫一制——04

//准备容器 <div classapp> <h1>{{mag}}</h1> </div> //准备容器 <div classapp> <h1>{{mag}}</h1> </div> //准备容器 <div classapp2> <h1>{{name}}</h1> </div> <script> // 验…

【通信协议-RTCM】GPS卫星星历 ---- 对应RTCM十六进制 编码ID(3FB)

注释&#xff1a; RTCM响应消息1014-1017为网络辅助站数据消息的内容&#xff0c;应该不是很重要&#xff08;工作中也未接触到此些语句&#xff09;&#xff0c;故忽略 1. 1019型消息的内容&#xff0c;GPS卫星星历数据 2. 1008型消息的内容——天线描述符和序列号 DATA FI…

久期分析与久期模型

目录 一、久期分析的理论原理 二、数据准备 三、Stata 程序代码及解释 四、代码运行结果 一、久期分析的理论原理 久期&#xff08;Duration&#xff09;是衡量债券价格对利率变动敏感性的重要指标。它不仅仅是一个简单的时间概念&#xff0c;更是反映了债券现金流回收的平均…

Elasticsearch:Node.js ECS 日志记录 - Pino

在我的上一篇文章 “Beats&#xff1a;使用 Filebeat 从 Python 应用程序中提取日志” 里&#xff0c;我详述了如何使用 Python 来生成日志&#xff0c;并使用 Filebeat 来收集日志到 Elasticsearch 中。在今天的文章中&#xff0c;我来详细描述如何使用 Node.js 来生成 ECS 相…

SAP ABAP开发从入门到精通 年薪约30~40万

SAP ABAP开发从入门到精通培训课程 SAP ABAP&#xff08;Advanced Business Application Programming&#xff09;开发是SAP系统中重要的一环&#xff0c;它是一种用于SAP软件开发的编程语言。如果你正寻求从入门到精通SAP ABAP开发的方法&#xff0c;以下推荐的培训课程可能会…

龙迅#LT6711GXE适用于HDMI2.1转DP1.4/TPYE-C应用方案,分辨率高达8K30HZ,4K144HZ!

1. 描述 LT6711GXE 是带有 PD 控制器的 HD-DVI2.1 到 DP1.4a 转换器。 对于 HD-DVI2.1 输入&#xff0c;LT6711GXE可以配置为 3/4 通道。自适应均衡使其适用于长电缆应用&#xff0c;最大带宽高达 40Gbps。它支持最高分辨率的8K30Hz、4K144Hz或8K60Hz压缩数据&#xff08;直通&…

小巧低调的黑盒子,打造个性化音乐体验,欧尼士ONIX Alpha小尾巴上手

欧尼士ONIX的产品很有辨识度&#xff0c;这家来自英国的品牌&#xff0c;有着鲜明的黑金设计色彩&#xff0c;以及低调奢华的质感&#xff0c;当然最重要的是&#xff0c;欧尼士的音质表现非常出色&#xff0c;因此深受音乐爱好者的喜爱。在以手机等设备为载体的流媒体音乐盛行…

旅游景区度假村展示型网站如何建设渠道品牌

景区、度假村、境外旅游几乎每天的人流量都非常高&#xff0c;还包括本地附近游等&#xff0c;对景区及度假村等固定高流量场所&#xff0c;品牌和客户赋能都是需要完善的&#xff0c;尤其是信息展示方面&#xff0c;旅游客户了解前往及查看信息等。 通过雨科平台建设景区度假…

玻璃钢一体化预制泵站多少钱一套

玻璃钢一体化预制泵站多少钱一套 一体化预制泵站的价格会因型号、规格等因素而有所不同。一般来说&#xff0c;中小型一体化预制泵站的价格在数万元至十多万元之间&#xff0c;而大型一体化预制泵站的价格可能会更高。具体价格取决于泵站的参数、功能、配置等因素&#xff0c;需…

ActivityThread,Instrumentation,Activity三者之间的关系是什么?

ActivityThread、Instrumentation、Activity三者之间的关系在Android系统中是紧密相连且相互作用的&#xff0c;它们共同构成了Android应用程序运行的基础框架。以下是对这三者之间关系的详细解析&#xff1a; 1. Activity 定义与功能&#xff1a;Activity是Android定义的四大…

ARM Linux C LCD屏 调用write()显示单色出现花屏、条状不消影

原因排查 液晶屏出现花屏现象的原因可以有多种&#xff0c;其中一种可能的原因是由于在向液晶屏的设备文件写入数据时&#xff0c;使用了write()这个系统调用函数。 write()是一个Linux内核提供的函数&#xff0c;用于应用程序与内核之间的数据交互。它允许应用程序向设备文件写…

thinkphp:数据库复合查询-OR的使用

完整代码 $data[info] db::table(po_headers_all)->alias(ph) //设置wip_jobs_all的别名->join([vendors > ve], ph.vendor_codeve.vendor_code)->field(ph.po_num,ph.status,ph.vendor_code,ve.vendor_name,ph.po_all_amount,ph.note,ph.order_date,ph.need_dat…

前端预览图片的两种方式:转Base64预览或转本地blob的URL预览,并再重新转回去

&#x1f9d1;‍&#x1f4bb; 写在开头 点赞 收藏 学会&#x1f923;&#x1f923;&#x1f923; 预览图片 一般情况下&#xff0c;预览图片功能&#xff0c;是后端返回一个图片地址资源&#xff08;字符串&#xff09;给前端&#xff0c;如&#xff1a;ashuai.work/static…

springboot大学校园二手书交易APP-计算机毕业设计源码25753

摘 要 在数字化与移动互联网迅猛发展的今天&#xff0c;人们对于图书的需求与消费方式也在悄然改变。为了满足广大读者对图书的热爱与追求&#xff0c;我们倾力打造了一款基于Android平台的图书交易APP。这款APP不仅汇聚了海量的图书资源&#xff0c;提供了便捷的交易平台&…