斯坦福-随机图模型-week1.0_



title: 斯坦福-随机图模型-week2.0

tags: note

notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation

---

斯坦福-随机图模型-week2.0

模板模型(Template Models)

在实际的模型的建立的过程中,会出现很多的重复的情况。比如在如下的模型中:

有很多的重复的结构,比如每一个的基因型都和表现形直接相关。而且每一个基因型都和两个前代的基因型十分的相关。

或者在自然语言处理的模型中:

在序列模型中,每一个原包也都有很多的辨别是不是名词和其本身的结构也都有固定的概率联系,这些问题都可以用模板模型讨论。

在图像处理中也是这样,我们并不想给每一个超像素建立一个独立的模型,因此我们应该通过某些方式将这些权值共享起来。

通过轨迹的分布

  • 选择一个时间间隔
  • 事在t时间内的变量x的值
  • 是一段时间的值的向量

马尔科夫推断

马尔科夫推断是一个推断链条,他的意思是,从x0-xn发生的概率是xo发生的概率,乘以x0发生的情况下x1发生的概率,乘以x1以前发生的情况下x2发生的概率,以此类推。

不过我们在这里有一条假设,就是t+1时刻于t-1时刻对于t时刻是条件独立的。

在这个假设下我们可以将我们前面的公式进行简化。

简化成了这个样子

但是在现实的情况下,这样的假设是不能成立的,比如我们要讨论机器人的位置问题,机器人之前的状态和将来的状态是相互独立的吗?

如何解决这个问题呢?

有一个就是我们可以给他的行动增加独立性,建立一个半马尔科夫模型。不过我们先不讨论这个

time invariance 时间不变性

如果我们可以通过一个模型描述钱一个时间对后一个时间的影响。我们就可以建立一个模型对整个的状态进行描述。

就像这样,我们建立这样的一个模型来描述前一个时间与下一个时间的各个变量的关系。

通过链式法则,我们可以连续的将时间向后推进,就像这样:

隐马尔科夫模型

在这样一个模型中:

s通过转换变成s‘

然后通过观测变成o’

那我们的模型就有两个部份,一个是转换模型,一个是观测模型。同样的我们可以将这些模型进行复用。变成这个样子

这用模型的用途是什么呢:

  • 机器日的位置
  • 速度探测
  • 生物序列分析
  • 文本分析

机器人的位置

机器人的位置模型可以这样描述,我们看到s是现在的位置,或者状态,它可以用很多的量来描述,比如说现在的速度,位置,加速度等等,

u是控制信号,用来改变机器人的上述变量。从而藐视下一时间段的机器人的位置。

总结

  • HMM模型可以看成是DBN模型的一个特里
  • 他将随机变量进行了简化
  • 应用十分广泛

原文地址:https://www.cnblogs.com/zangzelin/p/8543684.html

时间: 2024-10-12 17:08:43

斯坦福-随机图模型-week1.0_的相关文章

斯坦福-随机图模型-week1.1_

title: 斯坦福-随机图模型-week1.1 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week1.1 练习 1.第 1 个问题 Factor product. Let X,Y and Z be binary variables. If ?1(X,Y) and ?2(Y,Z) are the factors shown below, compute

斯坦福-随机图模型-week1.5

title: 斯坦福-随机图模型-week1.5 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week1.5 贝叶斯网络 朴素贝叶斯 朴素贝叶斯是一个概率的分类模型,下面我们用概率图的思想去理解他.他转化成概率图模型可以描述成如下: 原文地址:https://www.cnblogs.com/zangzelin/p/8502825.html

斯坦福-随机图模型-week1.5_

title: 斯坦福-随机图模型-week1.5 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week1.5 贝叶斯网络 朴素贝叶斯 朴素贝叶斯是一个概率的分类模型,下面我们用概率图的思想去理解他.他转化成概率图模型可以描述成如下: 第一层是一个分类的随机变量,描述事物的分类: 第二层是多个特征的随机变量,也就是说这是一个从分类到特征的概率图模型,我们有

斯坦福-随机图模型-week1.4_

title: 斯坦福-随机图模型-week1.4 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week1.4 独立性 preliminaries 初步 独立的数学描述 对于事建 a, b 如果是独立的那么使用如下的符号进行描述 独立的事件有以下的性质: 对于随机变量有相似的表示 一个例子 还是用之前的成绩问题作为例子: 我们可以看到P(I,D)的矩阵中,

斯坦福-随机图模型-week3.0_

title: 斯坦福-随机图模型-week3.0 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week3.0 马尔科夫网络 pairwise markov networks 成对马尔科夫模型 图论模型中有有向图和无向图,对于无向图来说,运用到随机图论中就是马尔科夫模型. 在马尔科夫模型中,有一种模型十分有趣,他是成对马尔科夫模型. 我们首先看一个例子:

斯坦福-随机图模型-week2.1_

title: 斯坦福-随机图模型-week2.1 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week2.1 plate model 模板模型 4. Plate 模型 时序模板模型,通常还有一类情况需要模板模型:问题中有多个相同类型的不同对象,希望建立模板对这些对象进行统一考虑. 4.1 硬币采样例子 如何理解 Plate 模型的机制,以最简单的硬币采样

斯坦福-随机图模型-week2.2_

title: 斯坦福-随机图模型-week2.2 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week2.2 习题 1.第 1 个问题 Markov Assumption. If a dynamic system X satisfies the Markov assumption for all time t≥0, which of the follow

斯坦福-随机图模型-week3.3_

title: 斯坦福-随机图模型-week3.3 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week3.3 习题 1. Question 1 I-Maps. Graph G (shown below) is a perfect I-map for distribution P, i.e. I(G)=I(P). Which of the other gr

python图工具中基于随机块模型动态网络社团检测

原文链接:http://tecdat.cn/?p=7602 这是“政治博客圈和2004年美国大选”中的政治博客网络图,但是边缘束是使用随机块模型确定的(注:下图与图相同(即,布局和数据相同)). Tiago论文中的5-我只是在上面放了一个黑色背景 . 边缘配色方案与Adamic和Glance的原始论文中的相同,即每个节点对应一个博客URL,颜色反映政治取向,红色代表保守派,蓝色代表自由派.橙色边从自由派博客到保守派博客,紫色边从保守派到自由派(参见Adamic和Glance中的图1). 颜色方案