https://github.com/foxpup11?tab=repositories

先验概率是在考虑任何新数据或证据之前，对某个事件或假设的初始信念或概率估计。它基于历史信息、经验或主观判断。

​​​​​​。

由于WSL与windows公用一个文件系统，其他盘的文件是挂载上去的。cd /mnt/你的盘号/你的文件路径。

V-结构（又称碰撞节点、对撞节点）是贝叶斯网络中的一种特殊拓扑结构，由三个节点组成，中间节点是两个父节点的共同子节点，形如：

贝叶斯网络(bayesian network)又称信念网络(belief network)，由2011年图灵奖获得者Judea Pearl提出。贝叶斯网络是一种用于计算复杂逻辑、推理因果关系中模糊概率的图模型，能够表示随机变量以及变量间的依赖关系。其以因子分解的方式定义了联合概率分布的数据结构，并且给出了这个分布中一系列的条件独立假设。贝叶斯网络的组成分为两部分，其拓扑结构是一个有向无环图，以及条件概率表（CPT）。其中节点表示随机变量，有向边表示他们之间的条件概率依赖关系。

https://bilibili.com/video/BV1mK4YewEiE/?spm_id_from=333.337.search-card.all.click&vd_source=7dace3632125a1ef7fd32c285eb2fbac

https://www.bilibili.com/video/BV1gTpYeoEtZ/?spm_id_from=333.337.search-card.all.click&vd_source=7dace3632125a1ef7fd32c285eb2fbac

https://www.bilibili.com/video/BV1Gs4y157BU?spm_id_from=333.788.recommend_more_video.-1&vd_source=7dace3632125a1ef7fd32c285eb2fbac

https://www.bilibili.com/video/BV1mh411J7U4/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac

https://www.bilibili.com/video/BV1ev411P7dR?spm_id_from=333.788.videopod.sections&vd_source=7dace3632125a1ef7fd32c285eb2fbac

在地震预测领域中，概率增益（Probability Gain）是一种用于评估预测模型性能的指标，通常用于衡量某一预测模型相对于无信息模型（例如假设所有区域具有相同地震发生概率的模型）的改进程度。概率增益反映了预测模型在对特定区域发生地震的概率进行估计时的准确性提升。具体来说，可以表示为预测模型在区分地震事件发生区域与非发生区域时的能力增强。高概率增益意味着模型能够更好地集中预测地震发生的区域，而不是在所有区域中均匀分布概率，从而提高了预测的精确度。在地震预测研究中，通常会比较和，以确定模型的效果。

较小的AIC值意味着更好的模型拟合。贝叶斯模型平均提供了一种不同的方法，它通过考虑所有可能模型的贡献来进行预测和参数估计，而不是仅仅依赖于一个选定的模型。具体来说，BMA利用贝叶斯理论中的原理，为每一种可能的模型分配一个权重，这个权重反映了该模型为真实数据生成过程的概率。在BMA中，对于一个特定的参数或者对未来观测的预测，结果是所有模型预测的加权平均，权重就是各个模型的后验概率。在BPT模型中，地震的复发被视为一个布朗运动过程的一部分，其中地震的发生对应于布朗运动达到一个特定阈值的时间点。

https://www.bilibili.com/video/BV1aE411o7qd?p=66&vd_source=7dace3632125a1ef7fd32c285eb2fbac

https://www.bilibili.com/video/BV1aE411o7qd?p=62&vd_source=7dace3632125a1ef7fd32c285eb2fbac

https://www.bilibili.com/video/BV1aE411o7qd/?p=71&spm_id_from=pageDriver&vd_source=7dace3632125a1ef7fd32c285eb2fbac

马尔可夫链的状态转移矩阵是一个用来描述系统从一个状态转移到另一个状态的概率的矩阵。具体来说，在一个具有有限状态空间的马尔可夫链中，状态转移矩阵 P 是一个方阵，它的元素 pij​ 表示从状态 j转移到状态 i的概率。对于一个包含 n个状态的马尔可夫链，状态转移矩阵 P 可以表示为如下形式：状态转移矩阵在马尔可夫链中非常重要，因为它不仅定义了系统状态变化的方式，还允许我们预测系统的长期行为，比如找到系统在长时间运行后的稳定状态（平稳分布）。

https://www.bilibili.com/video/BV1xW4y147SK/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac

贝叶斯网络利用贝叶斯定理来进行概率推理，它允许我们根据已有的证据来更新我们对随机变量的信念。通过这种方式，我们可以有效地处理不确定性并做出基于概率的决策。

ROC曲线是一种图表，它以假正例率（False Positive Rate, FPR）为横轴，真正例率（True Positive Rate, TPR）为纵轴，展示了所有可能的分类决策阈值下模型的性能。FPR定义为所有实际为负类的实例中被错误地预测为正类的比例，而TPR定义为所有实际为正类的实例中被正确预测为正类的比例。

4.编写一个python文件用于转换模型格式，dataset作为测试可以是随便的数据。3.将onnx格式的模型，以及中间输入输出文件传送到边缘设备上。2.配置完成后，获取模型中间的输入输出结果，保存为npy格式。5.将python传送到边缘设备上并运行。1.在边缘设备上配置相关环境。注意：所有文件要在同一目录下。

https://www.bilibili.com/video/BV1cM4y187Xc/?spm_id_from=333.337.search-card.all.click&vd_source=7dace3632125a1ef7fd32c285eb2fbac

https://www.bilibili.com/video/BV17i421U73P/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac

https://www.bilibili.com/video/BV1cr421V7iS/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac

https://www.bilibili.com/video/BV1zT421S7yg/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac

https://www.bilibili.com/video/BV1Cf421Z7Th/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac

https://www.bilibili.com/video/BV1qU4y1U7aK/?spm_id_from=333.337.search-card.all.click&vd_source=7dace3632125a1ef7fd32c285eb2fbac

https://www.bilibili.com/video/BV1yx421C7MS/?spm_id_from=333.999.0.0

https://www.bilibili.com/video/BV1kV411k7D8/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac

https://www.bilibili.com/video/BV1ez4y1X7g2/?spm_id_from=333.999.top_right_bar_window_history.content.click&vd_source=7dace3632125a1ef7fd32c285eb2fbac

https://www.bilibili.com/video/BV1TK4y1o78H/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac

参考视频：https://www.bilibili.com/video/BV12u411G71A/?spm_id_from=333.337.search-card.all.click&vd_source=7dace3632125a1ef7fd32c285eb2fbac