1) Gauss-Markov estimation
高斯-马尔可夫估计
3) Hidden Markov Source Estimation(HMSE)
隐马尔可夫信源估计
4) Gauss-MRF
高斯-马尔可夫随机场
1.
Classification of wood surface texture based on Gauss-MRF Model;
基于高斯-马尔可夫随机场的木材表面纹理分类(英文)
5) gauss-markov random field
高斯-马尔可夫随机场
1.
Gauss-Markov random field model takes advantage of both image intensity and spatial information imposed by Gibbs smoothness prior to the pixel labels and thus can be used to effectively in segmenting the noisy images.
高斯-马尔可夫随机场模型既利用了图像像素的灰度信息,又通过像素类别标记的Gibbs光滑先验概率引入了图像的空间信息,是能较好地分割含有噪声图像的模型,然而,Gibbs惩罚因子β的确定却一直是个难点,为获得好的分割效果,通常用多个β值人工尝试。
6) Gaussian Markov random field
高斯马尔可夫随机场
1.
A Gaussian Markov random field is a multivariate Gaussian probabilistic model with Markov property.
高斯马尔可夫随机场模型是具有马尔可夫性质、符合多元高斯分布的概率模型。
补充资料：马尔可夫参数估计
通过对传递函数阵（见传递函数）的辨识求出马尔可夫参数，以建立系统最小实现状态方程的非参数模型辨识方法。对于离散的单输入单输出系统，脉冲响应权序列{hi，i＝0，1，...}的Z变换就是脉冲传递函数H(z)，即 。对于满足完全可观测和完全可控条件的多输入多输出系统，存在着形式上与{hi}序列相似的非参数模型{Ji，i＝0，1,...}。如果多输入多输出的传递函数阵为G(z)，它可以表示为
G(z)＝D＋J0z-1＋J1z-2＋...这个矩阵序列{Ji，i＝0，1，...}称为多输入多输出系统的马尔可夫参数。多输入多输出系统辨识的困难在于无法得到惟一解，但可考虑其最小实现的辨识。设线性定常系统为
x(k＋1)＝Ax(k)＋Bu(k)
y(k)＝Cx(k)＋Du(k)式中x(k)是n维状态向量，y(k)是m维观测向量,u(k)为r维输入。系统的等价类上的传递函数为
G(z)＝C(zI-A)-1B＋D由定义JiCAiB 所给出的马尔可夫参数与G(z)之间的关系即符合上述Z变换的关系。由马尔可夫参数{Ji}构成的汉克尔矩阵Hn为
其中On为完全可观测矩阵，Cn为完全可控矩阵。由系统的完全可控与完全可观测的假定可知：rank (On) ＝n,rank(Cn)＝n,亦即rank(Hn)＝n。因此,系统为最小实现的充分必要条件是：由马尔可夫参数构成的汉克尔矩阵的秩为 n。为了获得马尔可夫参数的估计，需要先辨识传递函数阵G(z)，然后把G(z)展成z-1的矩阵多项式,其相应的系数矩阵就是马尔可夫参数的估计。辨识马尔可夫参数的目的在于建立最小实现的状态方程，著名的方法之一是何-卡尔曼方法,可表述为:给定{Ji，i＝0,1,2，...},存在有穷维最小实现(A，B，C),它以Ji为其马尔可夫参数的充分必要条件是存在一个整数q及常数α1，α2，...，αq,使对任何j≥0有。
G(z)＝D＋J0z-1＋J1z-2＋...这个矩阵序列{Ji，i＝0，1，...}称为多输入多输出系统的马尔可夫参数。多输入多输出系统辨识的困难在于无法得到惟一解，但可考虑其最小实现的辨识。设线性定常系统为
x(k＋1)＝Ax(k)＋Bu(k)
y(k)＝Cx(k)＋Du(k)式中x(k)是n维状态向量，y(k)是m维观测向量,u(k)为r维输入。系统的等价类上的传递函数为
G(z)＝C(zI-A)-1B＋D由定义JiCAiB 所给出的马尔可夫参数与G(z)之间的关系即符合上述Z变换的关系。由马尔可夫参数{Ji}构成的汉克尔矩阵Hn为
其中On为完全可观测矩阵，Cn为完全可控矩阵。由系统的完全可控与完全可观测的假定可知：rank (On) ＝n,rank(Cn)＝n,亦即rank(Hn)＝n。因此,系统为最小实现的充分必要条件是：由马尔可夫参数构成的汉克尔矩阵的秩为 n。为了获得马尔可夫参数的估计，需要先辨识传递函数阵G(z)，然后把G(z)展成z-1的矩阵多项式,其相应的系数矩阵就是马尔可夫参数的估计。辨识马尔可夫参数的目的在于建立最小实现的状态方程，著名的方法之一是何-卡尔曼方法,可表述为:给定{Ji，i＝0,1,2，...},存在有穷维最小实现(A，B，C),它以Ji为其马尔可夫参数的充分必要条件是存在一个整数q及常数α1，α2，...，αq,使对任何j≥0有。
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