sesión 12: redes bayesianas: extensiones y aplicaciones
DESCRIPTION
Sesión 12: Redes Bayesianas: extensiones y aplicaciones. RB – Extensiones y Aplicaciones. Extensiones - Redes dinámicas - Redes temporales - Variables continuas Ejemplos de aplicaciones - Diagnóstico en plantas eléctricas - Endoscopía - Reconocimiento de gestos y actividades - PowerPoint PPT PresentationTRANSCRIPT
![Page 1: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/1.jpg)
Sesión 12: Redes Bayesianas:extensiones y aplicaciones
![Page 2: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/2.jpg)
Incertidumbre - RdeD, L.E. Sucar 2
RB – Extensiones y Aplicaciones• Extensiones
- Redes dinámicas
- Redes temporales
- Variables continuas
• Ejemplos de aplicaciones
- Diagnóstico en plantas eléctricas
- Endoscopía
- Reconocimiento de gestos y actividades
- Análisis de confiabilidad
![Page 3: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/3.jpg)
Incertidumbre - RdeD, L.E. Sucar 3
Redes Bayesianas Dinámicas(RBD)
• Representan procesos dinámicos
• Consisten en una representación de los estados del proceso en un tiempo (red estática) y las relaciones temporales entre dichos procesos (red de transición)
• Se pueden ver como una generalización de las cadenas (ocultas) de Markov
![Page 4: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/4.jpg)
Incertidumbre - RdeD, L.E. Sucar 4
Ejemplo de RBD (equiv. HMM)
EE E E
T T + 1 T + 2 T + 3
St St+3St+2St+1
![Page 5: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/5.jpg)
Incertidumbre - RdeD, L.E. Sucar 5
Otro ejemplo
St
Xt+3
St+3
Xt Xt+1 Xt+2
St+2St+1
T T + 1 T + 2 T + 3
EE E E
![Page 6: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/6.jpg)
Incertidumbre - RdeD, L.E. Sucar 6
Suposiciones Básicas
• Proceso markoviano - el estado actual sólo depende del estado anterior (sólo hay arcos entre tiempos consecutivos)
• Proceso Estacionario en el tiempo - las probabilidades de transición, P(St+1 | St), no cambian en el tiempo
![Page 7: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/7.jpg)
Incertidumbre - RdeD, L.E. Sucar 7
Algoritmos• Propagación
- Aplican los mismos algoritmos de propagación de redes estáticas- Se incremento el problema de complejidad computacional
• Aprendizaje
- Existen extensiones de las técnicas de aprendizaje paramétrico y estructural para RBD- Se puede dividir en dos partes: aprender la red estática y aprender la red de transición
![Page 8: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/8.jpg)
Incertidumbre - RdeD, L.E. Sucar 8
Redes Temporales
• Representaciones alternativas a RBD que incorporan aspectos temporales
• Se orientan a representar intervalos de tiempo o eventos en el tiempo vs estados
• Existen diferentes propuestas, dos ejemplos representativos son:
- Redes de tiempo (time net) [Kanazawa]- Redes de nodos temporales (TNBN) [Arroyo]
![Page 9: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/9.jpg)
Incertidumbre - RdeD, L.E. Sucar 9
Red de tiempo
• La representación se basa en 2 tipos de eventos (nodos):
- Eventos: un hecho que ocurre de manera instantánea
- Hechos: una situación que es verdadera durante cierto intervalo de tiempo
• Cada hecho tiene asociado un evento de inicio y un evento de terminación
![Page 10: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/10.jpg)
Incertidumbre - RdeD, L.E. Sucar 10
Ejemplo de redes de tiempoArrive (Sally) Load Leave (Sally)
Beg(here(Sally)) And(here(Sally))
Here (Sally)
![Page 11: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/11.jpg)
Incertidumbre - RdeD, L.E. Sucar 11
Redes de tiempo
• Para poder representar alternativas se utilizan nodos virtuales (potencial events)
• Cada nodo tiene asociados como valores "tiempos" de ocurrencia, por ejemplo: Arrive(sally): [2 - 6]
• Se asocian a cada nodo una tabla de probabilidades dados sus padres
• Las propagación se realiza mediante técnicas de simulación estocástica
![Page 12: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/12.jpg)
Incertidumbre - RdeD, L.E. Sucar 12
Ejemplo de redes de tiempo
Load
beg (load)
End (load)Po-load
Leave (Sally)Leave/load (Sally)Po-leave/load (Sally)
Arrive (Sally)
beg(here(Sally)) and(here(Sally))
Here (Sally)
![Page 13: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/13.jpg)
Incertidumbre - RdeD, L.E. Sucar 13
Redes de Nodos Temporales
• Representan cambios de estado (eventos) de las variables
• Tienen dos tipos de nodos:
- Nodos de estado - representan variables de estado como en las RBD
- Nodos temporales - representan cambios de estado de una variable
![Page 14: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/14.jpg)
Incertidumbre - RdeD, L.E. Sucar 14
Nodo Temporal
• Nodo que representa un "evento" o cambio de estado de una variable de estado
• Sus valores corresponden a diferentes intervalos de tiempo en que ocurre el cambio
• Ejemplo: incremento de nivel- Valores (3): * Cambio 0 - 1 0
* Cambio 10 - 50* No Cambio
![Page 15: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/15.jpg)
Incertidumbre - RdeD, L.E. Sucar 15
Redes con Nodos Temporales
•Permiten una representación más compacta de ciertos dominios que las redes dinámicas
• Ejemplo: Pupils dilated (PD)
Head injury (HI)
Vital signs unstable (VS)
Internal bleeding (IB) gross
Internal bleeding (IB) slight
(0-10)
(0-10)
(10-30)(30-60)
![Page 16: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/16.jpg)
Incertidumbre - RdeD, L.E. Sucar 16
RB temporal para el ejemplo
HI
VS
IB
PD
C
HI1=trueHI2=false
C1=severeC2=moderateC3=mild
IB1=grossIB2=salightIB3=false
VS1 =unstables, [0-10]VS2 =unstables, [10-30]VS3=unstable, [30-60]VS4=normal, [0-60]
PD1 =dilated, [0-3]PD2 = dilated, [3-5]PD3=normal, [0-5]
![Page 17: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/17.jpg)
Incertidumbre - RdeD, L.E. Sucar 17
TNBN
• Para cada nodo temporal se definen un conjunto de valores que corresponden a intervalos de tiempo y las probabilidades asociadas
• La propagación se hace de la misma manera que en redes estáticas
![Page 18: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/18.jpg)
Incertidumbre - RdeD, L.E. Sucar 18
Variables Continuas
• Las redes bayesianas normalmente manejan variables multivaluadas discretas.
• Cuando se presentan variables continuas (temperatura, estatura, etc.), éstas se discretizan en un número de intervalos y se manejan como si fueran discretas.
• Este enfoque presenta desventajas:- Si el número de intervalos es pequeño, se pierde precisión.- Si el número de intervalos es grande, el modelo se vuelve
demasiado complejo y se requiere gran cantidad de datos para estimar las probabilidades
![Page 19: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/19.jpg)
Incertidumbre - RdeD, L.E. Sucar 19
Variables Continuas
• Otra alternativa es manejar directamente distribuciones continuas.
• Se han realizado pocos desarrollos en este sentido y la mayoría están limitados al manejo de distribuciones gaussianas:
2
2
2
22
1
x
exf
Donde es el promedio y 2 es la varianza ( es la desviación estándar). Esta se representa como N( ,)
![Page 20: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/20.jpg)
Incertidumbre - RdeD, L.E. Sucar 20
Propagación con variables gaussianas
1. La estructura de la red es un poliárbol.
2. Todas las fuentes de incertidumbre no están correlacionadas y siguen el modelo gausslano.
3. Existe una relación lineal entre variables (entre un nodo y sus padres):
X=b1U1 + b2U2 +... + bnUn + Wx
Donde X es una variable, las U¡ son los padres de X, las b son coeficientes constantes y w representa el "ruido" (gaussiano con media 0)
![Page 21: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/21.jpg)
Incertidumbre - RdeD, L.E. Sucar 21
RB con variables continuas
X
U1
U2U3
W
![Page 22: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/22.jpg)
Incertidumbre - RdeD, L.E. Sucar 22
Propagación con variables gaussianas
• El método de propagación es análogo al de poliárboles con variables discretas.
• Se establece que en este caso las distribuciones marginales de todas las variables son también gaussianas:
xxNxxEXP ,|
![Page 23: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/23.jpg)
Incertidumbre - RdeD, L.E. Sucar 23
Propagación con variables gaussianas
• Los parámetros, y , se obtienen de los parámetros que envían los nodos padre e hijos con las siguientes expresiones:
x
x1
2
1
jj
j
jj
ixiix
iiix
b
b
![Page 24: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/24.jpg)
Incertidumbre - RdeD, L.E. Sucar 24
Los mensajes que envían los nodos a sus padres e hijos se calculan de la siguiente manera:
kkikii
kkikii
bb
bb
221
1
111
1
kjkj
kjk
k
kjk
j
Mensaje que envía el nodo X a su padre i:
Mensaje que envía el nodo X a su hijo j:
![Page 25: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/25.jpg)
Incertidumbre - RdeD, L.E. Sucar 25
Ejemplo - RB con Variables Continuas
X
Y1 Y2
Z1 Z2
![Page 26: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/26.jpg)
Incertidumbre - RdeD, L.E. Sucar 26
Ejemplo - propagación
• Dado:- y1=8000, y2=10,000, z1=z2=1000- ds(y1)=300, ds(y2)=1000
• Aplicando las ecuaciones para “diagnóstico”:
x= [(8-1)(1)2+(10-1)(0.3)2]/[(1)2+(0.3)2]= 7.165x= [ (0.3)2(1)2]/[(1)2+(0.3)2]=0.0826, ds(x)= 287
![Page 27: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/27.jpg)
Incertidumbre - RdeD, L.E. Sucar 27
Aplicaciones
![Page 28: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/28.jpg)
Red Temporal
para Diagnóstico de Plantas Eléctricas
Red Temporal
para Diagnóstico de Plantas Eléctricas
![Page 29: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/29.jpg)
Subsistema de una Planta Eléctrica
DRUM
S U P E R H E A T E R S T E A M S Y S T E M
F E E D W A T E R S Y S T E M C O N D E N S E R S Y S T E M
W A T E R - S T E A MG E N E R A T O RS Y S T E M
S T E A M - T U R B I N E S Y S T E M
R E H E A T E RS T E A M S Y S T E M
F E E D A T E R P U M P
F E E D A T E R V A L V E
S P R A Y V A L V E P S T E A M V A L V E
T R U B I N E
S T F
S T T
D R PF
S W F
![Page 30: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/30.jpg)
Incertidumbre - RdeD, L.E. Sucar 30
Nodo Temporal• Nodo que representa un “evento” o cambio de
estado de una variable de estado• Sus valores corresponden a diferentes intervalos
de tiempo en que ocurre el cambio• Ejemplo:
– Nodo: incremento de nivel– Valores (3):
• Cambio 0 - 10• Cambio 10 - 50• No cambio
![Page 31: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/31.jpg)
Red bayesiana con nodos temporales
FWF
FWPF LI
SWVF
SWV
SWF
FWVF
FWV FWP STV
STF
DRL
DRP
STT
FWPFOccur 0.58¬Occur 0.42
LIOccur 0.88¬Occur 0.12
FWVFOccur 0.57¬Occur 0.43
SWVFOccur 0.18¬Occur 0.82
FWPtrue, [10-29] = 0.36true, [29-107] = 0.57false, [10-107] = 0.07
STVTrue, [0-18] = 0.69True, [18-29] = 0.20False, [0-29] = 0.11
STFTrue, [52-72] = 0.65True, [72-105] = 0.24False, [52-105] = 0.11
FWVTrue, [28-41] = 0.30True, [41-66] = 0.27False, [28-66] = 0.43
SWVTrue, [20-33] = 0.11True, [33-58] = 0.13False, [20-58] = 0.76
FWFTrue, [25-114] = 0.77True, [114-248] = 0.18False, [25-248] = 0.05
SWFTrue, [108-170] = 0.75True, [170-232] = 0.21False, [108-232] = 0.04
STTDecrement, [10-42] = 0.37Decrement, [42-100] = 0.14Decrement, [100-272] = 0.47False, [10-272] = 0.02
DRPTrue, [30-70] = 0.58True, [70-96] = 0.40False, [30-96] = 0.02
DRLIncrement, [10-27] = 0.49Increment, [27-135] = 0.09Decrement, [22-37] = 0.28Decrement [37-44] = 0.12False, [10-135] = 0.02
Variables
LI=Load increment
FWPF=FW pump failure
FWVF=FW valve failure
SWVF=SW valve failure
STV=Steam valve
FWP=FW pump
FWV=FW valve
SWV=SW valve
STF=Steam flow
FWF=FW flow
SWF=SW flow
DRL=Drum level
DRP=Drum pressure
STT=Steam temperature
![Page 32: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/32.jpg)
Incertidumbre - RdeD, L.E. Sucar 32
Resultados Experimentales
Prueba
Predicción% RBS 87.37 9.19% Exactitud 84.48 14.98
Diagnóstico% RBS 84.25 8.09% Exactitud 80.00. 11.85
Diagnóstico yPredicción
% RBS 95.85 4 .71% Exactitud 94.92 . 8.59
![Page 33: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/33.jpg)
Incertidumbre - RdeD, L.E. Sucar 33
Endoscopía
• Endoscopy is a tool for direct observation of the human digestive system
• Recognize “objects” in endoscopy images of the colon for semi-automatic navigation
• Main feature – dark regions
• Main objects – “lumen” & “diverticula”
![Page 34: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/34.jpg)
Incertidumbre - RdeD, L.E. Sucar 34
Imagen del Colon
![Page 35: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/35.jpg)
Incertidumbre - RdeD, L.E. Sucar 35
Segmentation – dark region
![Page 36: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/36.jpg)
Incertidumbre - RdeD, L.E. Sucar 36
RB para endoscopía (parcial)
![Page 37: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/37.jpg)
Incertidumbre - RdeD, L.E. Sucar 37
Semi-automatic Endoscope
![Page 38: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/38.jpg)
Incertidumbre - RdeD, L.E. Sucar 38
Endoscopy navegation system
![Page 39: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/39.jpg)
Incertidumbre - RdeD, L.E. Sucar 39
![Page 40: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/40.jpg)
Incertidumbre - RdeD, L.E. Sucar 40
Human activity recognition• Recognize different human activities based
on videos (walk, run, goodbye, attention, etc.)• Consider the movement of several limbs
(arms, legs)• The movements can differ for different
persons or even for the same person• Several activities can be performed at the
same time• Consider continuos activities
![Page 41: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/41.jpg)
Incertidumbre - RdeD, L.E. Sucar 41
Ejemplo
![Page 42: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/42.jpg)
Incertidumbre - RdeD, L.E. Sucar 42
Feature extraction• The color marks (for each limb) are
segmented, with its position in each frame• The directions of movement (discretized in
8 direction) are obtained for each image pair
• A window is used to obtain each sequence of changes (6), which are the observations for the recognition model – a Bayesian network
![Page 43: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/43.jpg)
Incertidumbre - RdeD, L.E. Sucar 43
Segmentación
![Page 44: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/44.jpg)
Incertidumbre - RdeD, L.E. Sucar 44
Red de reconocimiento
![Page 45: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/45.jpg)
Incertidumbre - RdeD, L.E. Sucar 45
Reconocimiento de gestos• Reconocimiento de gestos orientados a
comandar robots
• Inicialmente 5 gestos
• Reconocimiento con RBD
![Page 46: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/46.jpg)
Incertidumbre - RdeD, L.E. Sucar 46
Come
attention
go-right
go-left
stop
![Page 47: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/47.jpg)
Incertidumbre - RdeD, L.E. Sucar 47
Extracción de características
• Detección de piel
• Segmentación de cara y mano
• Seguimiento de la mano
• Características de movimiento
![Page 48: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/48.jpg)
Incertidumbre - RdeD, L.E. Sucar 48
Segmentación
Agrupamiento de pixels depiel en muestreo radial
![Page 49: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/49.jpg)
Incertidumbre - RdeD, L.E. Sucar 49
Seguimiento
![Page 50: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/50.jpg)
Incertidumbre - RdeD, L.E. Sucar 50
Características• From each image we obtain the features:
– change in X (X)– change in Y (Y)– change in area (A)– change in size ratio (R)
• Each one is codified in 3 values: (+, 0, -)
X1,Y,1X2,Y2
A1 A2
![Page 51: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/51.jpg)
Incertidumbre - RdeD, L.E. Sucar 51
![Page 52: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/52.jpg)
Incertidumbre - RdeD, L.E. Sucar 52
St St+1 St+2
RBD para Reconocimiento de Gestos
A
T T+1 T+2
SX,Y A SX,Y A SX,Y
![Page 53: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/53.jpg)
Incertidumbre - RdeD, L.E. Sucar 53
Training and Recognition• The parameters (conditional probabilities)
for the DBN are obtained from examples of each gesture using the EM algorithm (similar to Baum-Welch used in HMM)
• For recognition, the posterior probability of each model is obtained by probability propagation (forward)
![Page 54: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/54.jpg)
Incertidumbre - RdeD, L.E. Sucar 54
Resultados• Reconocimiento:
– come 100 %– attention 66.2 %– stop 68.26 %– go-right 99.25 %– go-left 100 %– promedio 86%
![Page 55: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/55.jpg)
Incertidumbre - RdeD, L.E. Sucar 55
ANÁLISIS Y DISEÑO DE SISTEMAS DE ALTA CONFIABILIDAD CON REDES
BAYESIANAS
![Page 56: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/56.jpg)
Incertidumbre - RdeD, L.E. Sucar 56
Sistema con componentes en serie
a) DBC b) Red bayesiana
A CB
a)A B
Xi
X
C
b)
P(A/WA);P(A) P(B/WB);P(B)
P(X/A,B);P(Xi)P(C/WC);P(C)
P(X/ Xi,C);P(X)
![Page 57: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/57.jpg)
Incertidumbre - RdeD, L.E. Sucar 57
Sistema en paralelo
a) DBC b) Red bayesiana
A
C
B
a)
A B
C
b)
P(A/WA);P(A) P(B/WB);P(B)
P(X/A,B);P(Xi)P(C/WC);P(C)
P(X/ Xi,C);P(X)
Xi
X
![Page 58: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/58.jpg)
Incertidumbre - RdeD, L.E. Sucar 58
Conversión de un DBC a RB
• El procedimiento se puede generalizar para convertir cualquier DBC a una red bayesiana:
1. Se buscan todos las trayectorias dentro del DBC
2. Por cada trayectoria se crea un nodo “AND” con todos los componentes
3. Se crea un nodo “OR” con todas las trayectorias (si son muchas se pueden agrupar en subnodos que luego se combinan en un nodo final)
![Page 59: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/59.jpg)
Incertidumbre - RdeD, L.E. Sucar 59
Sistema Complejo - DB
1
2
3 4
5
6
7
8
9
10
11
12
13 14Inputs (0) Exits (15)
![Page 60: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/60.jpg)
Incertidumbre - RdeD, L.E. Sucar 60
Sistema Complejo - RB84
72
1
3 65
1413
1211109
-2
-7
-1
-5
-3-4
-6
![Page 61: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/61.jpg)
Incertidumbre - RdeD, L.E. Sucar 61
Diseño de sistemas de alta confiabilidad
• El método de análisis se puede aplicar a la configuración de sistemas de alta confiabilidad
• Para ello se tiene un DBC inicial y se calcula su confiabilidad y costo
• Se genera un proceso de búsqueda generando nuevas configuraciones para maximizar confiabilidad, minimizar costo o una combinación de ambos.
![Page 62: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/62.jpg)
Incertidumbre - RdeD, L.E. Sucar 62
Otras aplicaciones
• Predicción del precio del petróleo • Modelado de riesgo en accidentes de automóviles• Diagnóstico médico• Validación de sensores• Modelado de usuarios para tutores y sofware (ayudantes Microsoft Office)• Diagnóstico de turbinas (General Electric)• Reconocimiento de objetos en imágenes • Reconocimiento de voz• ...
![Page 63: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/63.jpg)
Incertidumbre - RdeD, L.E. Sucar 63
Referencias
• Variables continuas - Pearl cap. 7- G. Torres Toledano, E. Sucar, Iberamia 1998
• RB dinámicas- U. Kjaerulff, A computational scheme for reasoning in dynamic belief networks, UAI´92
• RB temporales- K. Kanazawa, A logic and time nets for probabilistic inference, AAAI´91- G. Arroyo, E Sucar, A temporal bayesian networks for diagnisis and predictatión, UAI´99
![Page 64: Sesión 12: Redes Bayesianas: extensiones y aplicaciones](https://reader030.vdocuments.co/reader030/viewer/2022033022/56815427550346895dc22a16/html5/thumbnails/64.jpg)
Incertidumbre - RdeD, L.E. Sucar 64
Actividades
• Especificación detallada del proyecto final