2.3、贝叶斯网络的定义及性质
一个贝叶斯网络定义包括一个有向无环图（DAG）和一个条件概率表集合。DAG中每一个节点表示一个随机变量，可以是可直接观测变量或隐藏变量，而有向边表示随机变量间的条件依赖；条件概率表中的每一个元素对应DAG中唯一的节点，存储此节点对于其所有直接前驱节点的联合条件概率。
贝叶斯网络有一条极为重要的性质，就是我们断言每一个节点在其直接前驱节点的值制定后，这个节点条件独立于其所有非直接前驱前辈节点。
这个性质很类似Markov过程。其实，贝叶斯网络可以看做是Markov链的非线性扩展。这条特性的重要意义在于明确了贝叶斯网络可以方便计算联合概率分布。一般情况先，多变量非独立联合条件概率分布有如下求取公式：
=P(x_1)P(x_2%7Cx_1)P(x_3%7Cx_1,x_2)...P(x_n%7Cx_1,x_2,...,x_%7Bn-1%7D) "P(x_1,x_2,...,x_n)=P(x_1)P(x_2|x_1)P(x_3|x_1,x_2)...P(x_n|x_1,x_2,...,x_{n-1})")
而在贝叶斯网络中，由于存在前述性质，任意随机变量组合的联合条件概率分布被化简成
=%5Cprod%5En_%7Bi=1%7DP(x_i%7CParents(x_i)) "P(x_1,x_2,...,x_n)=\prod^n_{i=1}P(x_i|Parents(x_i))")
其中Parents表示xi的直接前驱节点的联合，概率值可以从相应条件概率表中查到。
贝叶斯网络比朴素贝叶斯更复杂，而想构造和训练出一个好的贝叶斯网络更是异常艰难。但是贝叶斯网络是模拟人的认知思维推理模式，用一组条件概率函数以及有向无环图对不确定性的因果推理关系建模，因此其具有更高的实用价值。
MATLAB中添加贝叶斯网络BNT 的工具箱http://blog.csdn.net/moodytong/article/details/8122327
MATLAB Toolbox的使用方法 http://bnt.googlecode.com/svn/trunk/docs/usage.html#basics
