1) priori probability density
先验概率密度
2) prior probability
先验概率
1.
Real-time weighted algorithm for prior probability in Bayesian criterion;
Bayes阈值选取准则中的实时加权先验概率算法
2.
New adaptive algorithm for segmenting image background based on prior probability model
基于先验概率模型的自适应背景图像分割算法
3.
Considering two stages probability method of maximum likelihood classification(MLC),this article proposed a new method of exploiting spatial information to improve classification rules by adjusting the prior probability according to the local spatial information.
考虑到传统最大似然分类(MLC)方法包括先验概率和条件概率密度函数两个核心环节,提出基于空间信息的浮动先验概率MLC方法,融合空间信息和波谱信息,以提高分类精度。
3) priori probability
先验概率
1.
By improving the gray detection algorithm based on D-S evidence theory and obtaining the priori probability based on unknown prerequisite,the computing load and the expense of space and time for track auto-searching have been further reduced.
通过对D-S证据理论进行改进,同时利用未知前提的先验概率来改善系统决策的模糊性,进一步降低了系统空间和时间的消耗,减小了计算量,有效地改善了系统的稳定性和寻迹的准确性。
4) Division
[英][dɪ'vɪʒn] [美][də'vɪʒən]
概率先验
5) posterior probability density
后验概率密度
1.
posterior probability density(PDF) function,while Particle Filter(PF) uses random particles.
Unscented卡尔曼滤波(UKF)用一系列确定样本来逼近状态的后验概率密度,适用于高斯环境下的任何非线性系统。
2.
Particle filtering is from the probability and statistic point of view,using a collection of random samples with corresponding value to express the posterior probability density.
粒子滤波是从概率统计的角度出发,使用一个具有相应权值的随机样本集合来表示需要的后验概率密度。
6) prior probability image
先验概率图
补充资料：概率分布的密度
概率分布的密度
density of a probability distribution
概率分布的密度【山画勿ofa声加b正ty业州恤心.;n月。T:oeT‘，.TooeT，]，亦称攀半考枣(pro恤b正tydensity) 与绝对连续概率测度相对应的分布函数(distribU-tionft川ction)的导数. 设X是在”维E切土d空间R”(n)l)中取值的随机向量，F是它的分布函数，并设存在一个非负函数f使得 x一工.F(x，，xZ，…，x。)一J…J，(。:，…，。。)“1…du，对一切实数x;，…，、。成立，则称f是X的修率窜摩(probab皿ity de飞ity)，此时对任意BOrel集A cR“有 p万x。A飞=f…ff(。，.·…。_)du一d、. ‘A。任一满足条件 丁…Jf‘xl，一x·，dxl·““一‘的非负可积函数f都是某一随机向量的概率密度. 如果两个取值于R”的分别具有概率密度f和g的随机向量X和Y是独立的，那么随机向量X十Y具有概率密度h，它是f和g的卷积，即h(xl，…，x。)=一丁…丁f(x，一。，，…，x。一u。)。(。，，…，。。)以u，…J、一J…Jf(“，，…，。。)。(x，一，，…，x。一、)汉。，…d。。. 假设X=(戈，…，戈)和Y=(矶，…，气)是分别取值于R”和R用(n，m)l)中且具有概率密度f和夕的随机向量，而z=(戈，…戈，Y.，…，气)是取值于r+川中的随机向量.再若X和y独立，则Z具有概率密度h，称为随机向量X和Y的联合概率密度(joint Pro恤biljty dellsity)，此处h(t:，…，t。十。)=f(tl，…，t。)g(t。+1，…，t。*.)·(l)反之，若Z具有满足(l)的概率密度，则X和Y独立. 具有概率密度f的随机向量X的特征函数中可表示为 毋(tl，…，t。)= 一丁…丁。:‘!1二‘~“·’·，f(xl，一x。，dxl·‘·“x二这里，如果职是绝对可积的，则f是有界连续函数，且 f(x:，“·，x。)=二二头二f二卜一‘:1一‘，…’，(。:，…，:。)d才，…d。· (2二)”几或概率密度f和对应的特征函数价还通过下述关系式(Phnd犯rel埠等术(Phncherel汕mtity))相联系:函数厂是可积的，当且仅当!叫’是可积的，此时有 了…歹fZ(x卫，…，、)dx，…dx。 一典丁了…}’，，(。，，…，:。)一‘tl…己t。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条