具有丢失数据的可分解马尔可夫网络结构学习是一个重要而困难的研究课题 ,数据的丢失使变量之间的依赖关系变得混乱 ,无法直接进行可靠的结构学习 。

　研究了可分解马尔科夫网的概念、方法,分析了可分解马尔科夫网在序列图像数据挖掘中的作用与意义,并直接将马尔科夫网的结构作为决策或推理依据,应用于问题求解,拓广了可分解马尔科夫网应用的可能性;以真实交通违章的视频图像为例,以多种粒度(节点数)广泛研究建立视频图像间的可分解马尔科夫网并分析其对问题的适用性,通过网络结构分析来检测视频图像间的差异,从而发现某种有意义的模式(例如,交通违章);仿真结果表明所提方法具有实用价值和较好效果;研究结果表明可分解马尔科夫网可以很好地揭示数据间的抽象近邻关系,并且这种网络具有很好的知识表达和逻辑推理的作用,是重要的模式识别方法。

基于马尔可夫网络人脸图像超分辨率非线性算法

该方法以马尔可夫网络为基础体系,从大量的例子中学习并获得网络参数,利用贝叶斯信任传播机制为所要处理的图像找到一个后验概率的局部最大值,即为从图像中获得相应的景物而进行问题估计。

它的体系结构是一个马尔可夫网络，根据图像与景物、景物与景物之间的联系来确定网络上的信息传递规则，并从大量的事例中学习这些网络参数，可以高效地为所求景物找到一个精确的后验概率的局部最大值，从而为原模糊图像获得高效的边缘标记结果。