我有很多物理系统的时间序列数据，其中底层的状态空间模型非常复杂，而且绝对不是线性的，所以卡尔曼滤波器是不可能的。按照论文贝叶斯网络数学模型中的思想：自动构建和高效推理的技术，我想使用动态贝叶斯网络（DBN）来模拟这些问题。定义这些 DBN 并随后执行推理的最常用方法是什么？我更喜欢 R 或 Python 中的库/包可用的方法，以避免重新发明轮子。
注意：我不希望从数据中学习网络的拓扑结构（至少不是在活动开始时！）。现在我正在从领域知识（物理定律）中推导出网络结构。但是，我需要一个灵活的推理框架，因为我会将它应用于许多不同的 DBN，而不仅仅是一个固定的拓扑。