再为贝叶斯网络赋值，确定先验概率和条件概率。
贝叶斯方式是依据新的信息从先验概率得到后验概率的一种方式。
而且，应用粗糙集理论不需要事先确定事件的先验概率。
在计算似然值时使用先验概率，能为确定合理的类别数提供依据。
在最大似然法的程序实现中，采用了最小距离法提供先验概率。
该模型首先假设系统的所有状态都是可能发生的，并对系统中的各个元件设定一个先验概率。
首先，根据以像素点周边像素值为条件求得的先验概率，选取适当的嵌入位置。
此方法有效地解决了在先验概率未知的条件下，如何动态可变且快速地划分模糊域的问题。
贝叶斯神经网络中，每个权值和误差被视为随机变量，它们的先验概率分布是遵从正态分布的。
不要让自己被比较显眼的数据事实锚定，而忽视了在它之上还应该加一个事件的先验概率。
贝叶斯定理的讲解很棒，重要的是贝叶斯的思维方式，而不是记住那个公式： 后验概率=相似率×先验概率 贝叶斯与*伪的相关，意识到基础概率的重要。——培养“贝叶斯直觉”。 条件概率倒置：出现某种症状的确诊概率与确诊后出现某种症状的概率混为一谈。病人关注前者，医生知道后者。
针对这一问题，根据贝叶斯方法，利用概率进行分析，并对其中的先验概率改用极大似然佑计处理，对可能遭敌空袭的地面目标进行判估排序，并结合示例进行计算和验*。
它通过市场调查增加信息量，对先验概率进行修正，从而提高决策者对未来可能*的把握，达到降低决策风险的目的。
引入像素强度的先验概率分布模型，运用模拟退火算法选择合适的邻域结构，获得强度的最优估计。
