Definisi sistem Bayesian yang dinamis, dan hubungannya dengan HMM?

Dari Wikipedia

Dynamic Bayesian Network (DBN) adalah Bayesian Network yang menghubungkan variabel satu sama lain melalui langkah waktu yang berdekatan. Ini sering disebut BN Two-Timeslice karena dikatakan bahwa pada titik waktu T, nilai variabel dapat dihitung dari regresi internal dan nilai sebelumnya langsung (waktu T-1) . DBN adalah umum dalam robotika, dan telah menunjukkan potensi untuk berbagai aplikasi penambangan data. Sebagai contoh, mereka telah digunakan dalam pengenalan suara, pengurutan protein, dan bioinformatika. DBN telah terbukti menghasilkan solusi setara dengan Hidden Markov Models dan Filter Kalman.

1. Saya bertanya-tanya apakah "nilai awal langsung (waktu T-1)" berarti indeks waktu dalam DBN selalu terpisah?
2. Apakah "pada setiap titik waktu T, nilai variabel dapat dihitung dari regresi internal dan nilai sebelumnya langsung (waktu T-1)" berarti DBN adalah proses Markov waktu diskrit?

3. Jika saya mengerti dengan benar, HMM adalah proses Markov diskrit waktu juga, jika mengabaikan output dari negara pada saat yang sama. Jadi saya ingin tahu apakah HMM dan DBN adalah konsep yang sama? Tetapi artikel Wikipedia lainnya mengatakan

   hidden Markov model (HMM) adalah model Markov statistik di mana sistem yang dimodelkan diasumsikan sebagai proses Markov dengan status (tersembunyi) yang tidak teramati. HMM dapat dianggap sebagai jaringan Bayesian dinamis paling sederhana.

   dan ada kutipan lain dari artikel pertama :

   DBN telah terbukti menghasilkan solusi setara dengan Hidden Markov Models dan Filter Kalman.

Terima kasih!

Saya akan merekomendasikan melihat melalui dua makalah ulasan yang sangat baik ini:

• Pengantar Model Markov Tersembunyi dan Jaringan Bayesian oleh Zoubin Gharamani

• Dynamic Bayesian Networks oleh Kevin Murphy

HMM tidak setara dengan DBN, melainkan merupakan kasus khusus DBN di mana seluruh negara di dunia diwakili oleh satu variabel keadaan tersembunyi. Model-model lain dalam kerangka kerja DBN menggeneralisasi HMM dasar, memungkinkan lebih banyak variabel status tersembunyi (lihat makalah kedua di atas untuk banyak varietas).

Akhirnya, tidak, DBN tidak selalu terpisah. Misalnya, model keadaan Gaussian linier (Filter Kalman) dapat dipahami sebagai HMM bernilai kontinu, sering digunakan untuk melacak objek di ruang angkasa.