Réseau bayésien dynamique
Un réseau bayésien dynamique (DBN) étend un réseau bayésien standard dans le temps en représentant comment un ensemble de variables aléatoires évolue à travers des étapes temporelles discrètes. Il capture à la fois la structure d'indépendance conditionnelle entre les variables à chaque instant et les dépendances probabilistes entre les tranches temporelles consécutives, permettant un raisonnement basé sur des principes sur les processus temporels sous incertitude.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
+5 more
Sources
- Dean, T. & Kanazawa, K. (1989). A model for reasoning about persistence and causation. Computational Intelligence, 5(3), 142–150. DOI: 10.1111/j.1467-8640.1989.tb00324.x ↗
- Murphy, K. P. (2002). Dynamic Bayesian Networks: Representation, Inference and Learning. PhD thesis, University of California, Berkeley. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Dynamic Bayesian Network. ScholarGate. https://scholargate.app/fr/bayesian/dynamic-bayesian-network
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Réseau bayésienBayésien↔ compare
- Inférence bayésienne hiérarchiqueBayésien↔ compare
- Filtre de KalmanBayésien↔ compare
- Filtre particulaire (Monte Carlo séquentiel)Bayésien↔ compare
- Monte Carlo séquentielBayésien↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →