马尔科夫场基本概念

马尔科夫场基本概念

转自:http://blog.csdn.net/carson2005/article/details/39367481

1、随机过程:

描述某个空间上粒子的随机运动过程的一种方法。它是一连串随机事件动态关系的定量描述。随机过程与其它数学分支,如微分方程、复变函数等有密切联系,是自然科学、工程科学及社会科学等领域研究随机现象的重要工具。

2、马尔科夫随机过程:

是随机过程的一种,其原始模型为马尔科夫链,由俄国数学家马尔科夫于1907年提出。其主要特征是:在已知目前状态(现在)的条件下,它未来的变化(将来)不依赖于以往的变化,而仅仅跟目前所处的状态有关。在现实世界中,很多随机过程都是马尔科夫随机过程,例如:液体中粒子的布朗运动、传染病受感染的人数、车站的候车人数等。拿天气来打个比方。如果我们假定天气是马尔可夫的,其意思就是我们假设今天的天气仅仅与昨天的天气存在概率上的关联,而与前天及前天以前的天气没有关系。其它如传染病和谣言的传播规律,就是马尔可夫的。

3、随机场:

随机场实际上是一种特殊的随机过程,跟普通的随机过程不同的是,其参数取值不再是实数值而有是多维的矢量值甚至是流行空间的点集。一些已有的随机场如:马尔科夫随机场MRF,吉布斯随机场GRF,条件随机场CRF,高斯随机场。

通俗点说,当给每一个位置中按照某种分布随机赋予相空间的一个值之后,其全体就叫做随机场。这里不妨拿棋盘格里面填充字母的游戏来打个比方,其中有两个概念:位置(site),相空间(phase space)。“位置”好比是棋盘格中的某个小格子;“相空间”好比是小格子里面填充的字母。我们可以给不同位置的小格子填充不同的字母,这就好比给随机场的每个“位置”,赋予相空间里不同的值。

4、马尔科夫随机场:

显然,马尔科夫随机场是具有马尔科夫特性的随机场。依然以上面棋盘格填充字母的游戏来说明,即:每个小格子里面填充的字母仅仅跟它邻近的小格子的字母有关,跟其它不邻近的小格子里面的字母没有任何关系。那么,整个棋盘格里面填充的字母几何,就是一个马尔科夫随机场。

原文地址:https://www.cnblogs.com/DicksonJYL/p/9429646.html

时间: 2024-10-18 18:33:02

马尔科夫场基本概念的相关文章

PGM学习之七 MRF,马尔科夫随机场

之前自己做实验也用过MRF(Markov Random Filed,马尔科夫随机场),基本原理理解,但是很多细节的地方都不求甚解.恰好趁学习PGM的时间,整理一下在机器视觉与图像分析领域的MRF的相关知识. 打字不易,转载请注明.http://blog.csdn.net/polly_yang/article/details/9716591 在机器视觉领域,一个图像分析问题通常被定义为建模问题,图像分析的过程就是从计算的观点来求解模型的过程.一个模型除了可以表达成图形的形式外,通常使用一个目标函数

马尔科夫随机场

之前自己做实验也用过MRF(Markov Random Filed,马尔科夫随机场),基本原理理解,但是很多细节的地方都不求甚解.恰好趁学习PGM的时间,整理一下在机器视觉与图像分析领域的MRF的相关知识. 转载于http://blog.csdn.NET/polly_yang/article/details/9716591 在机器视觉领域,一个图像分析问题通常被定义为建模问题,图像分析的过程就是从计算的观点来求解模型的过程.一个模型除了可以表达成图形的形式外,通常使用一个目标函数来表示,因此建模

隐马尔科夫模型学习笔记

隐马尔科夫模型在股票量化交易中有应用,最早我们找比特币交易模型了解到了这个概念,今天又看了一下<统计学习方法>里的隐马尔科夫模型一章. 隐马尔科夫模型从马尔科夫链的概念而来,马尔科夫链是指下一个状态只和当前的n个状态有关,和历史状态无关的一个时间上的事件链,隐马尔科夫模型在这个状态链的基础上,让每一个状态都能产生观测值,从而可以产生一个可观测的数据链,让原来的状态链变成了幕后产生数据的状态链,称为因马尔科夫链. 隐马尔科夫链应用比较广泛,主要能够处理三类问题:. 一个是给定了马尔科夫模型参数和

隐马尔科夫模型 HMM(Hidden Markov Model)

本科阶段学了三四遍的HMM,机器学习课,自然语言处理课,中文信息处理课:如今学研究生的自然语言处理,又碰见了这个老熟人: 虽多次碰到,但总觉得一知半解,对其了解不够全面,借着这次的机会,我想要直接搞定这个大名鼎鼎的模型,也省着之后遇到再费心. Outline 模型引入与背景介绍 从概率图讲起 贝叶斯网络.马尔科夫模型.马尔科夫过程.马尔科夫网络.条件随机场 HMM的形式化表示 Markov Model的形式化表示 HMM的形式化表示 HMM的两个基本假设 HMM的三个基本问题 Evalution

马尔科夫随机场的基本概念

1.随机过程: 描述某个空间上粒子的随机运动过程的一种方法.它是一连串随机事件动态关系的定量描述.随机过程与其它数学分支,如微分方程.复变函数等有密切联系,是自然科学.工程科学及社会科学等领域研究随机现象的重要工具. 2.马尔科夫随机过程: 是随机过程的一种,其原始模型为马尔科夫链,由俄国数学家马尔科夫于1907年提出.其主要特征是:在已知目前状态(现在)的条件下,它未来的变化(将来)不依赖于以往的变化,而仅仅跟目前所处的状态有关.在现实世界中,很多随机过程都是马尔科夫随机过程,例如:液体中粒子

从随机过程的熵率和马尔科夫稳态过程引出的一些思考 - 人生逃不过一场马尔科夫稳态

1. 引言 0x1:人生就是一个马尔科夫稳态 每一秒我们都在做各种各样的选择,要吃青菜还是红烧肉.看电影还是看书.跑步还是睡觉,咋一看起来,每一个选择都是随机的,而人生又是由无数个这样的随机选择组成的结果.从这个前提往下推导,似乎可以得出一个结论,即人生是无常的,未来是不可预测的.但事实真的是如此吗? 以前的老人流行说一句话,三岁看小,七岁看老.这似乎是一句充满迷信主义色彩的俗语,但其实其中暗含了非常质朴而经典的理论依据,即随机过程不管其转移概率分布如何,随着时序的增大,最终会收敛在某个稳态上.

马尔科夫随机场模型(MRF-Markov Random Field)

原文: http://blog.sina.com.cn/s/blog_92c398b00102vs3q.html 马尔科夫过程? 隐马尔科夫过程?? 与马尔科夫相比,隐马尔可夫模型则是双重随机过程,不仅状态转移之间是个随机事件,状态和输出之间也是一个随机过程. 领域系统 分阶领域系统与子团 马尔科夫随机场的通俗解释 马尔可夫随机场(Markov Random Field)包含两层意思. 马尔可夫性质:它指的是一个随机变量序列按时间先后关系依次排开的时候,第N+1时刻的分布特性,与N时刻以前的随机

从贝叶斯理论到图像马尔科夫随机场

本节主要介绍马尔科夫的随机场模型以及其用于图像的分割算法中.基于马尔科夫的随机场(MRF)的图像分割是一种基于统计的图像分割算法,其模型参数少,空间约束性强,使用较为广泛. 首先了解一下马尔科夫模型,纯粹的马尔科夫模型就是指一件事物的当前状态只与它之前的1个或者n个状态有关,而与再之前的状态没有关系,比如今天天气好坏只与昨天天气有关,而与前天乃至大前天都没有关系.符合这样的一种特性的事物认为其具有马尔科夫性.那么引申到图像领域,就是认为图像中某一点的特征(一般都是像素点灰色.颜色值等)只与其附近

隐马尔科夫模型(HMM)

基本概念 1Markov Models 2Hidden Markov Models 3概率计算算法前向后向算法 1-3-1直接计算 1-3-2前向算法 1-3-3后向算法 4学习问题Baum-Welch算法也就是EM算法 5预测算法 基本概念 1.1Markov Models 处理顺序数据的最简单的方式是忽略顺序的性质,将观测看做独立同分布,然而这样无法利用观测之间的相关性.例如:预测下明天是否会下雨,所有数据看成独立同分布只能得到雨天的相对频率,而实际中,我们知道天气会呈现持续若干天的趋势,观