1) Bayes belief propagation
贝叶斯置信传播
1.
First,the texture feature of image is extracted by NSCT,and the image is segmented initially by fuzzy c-means;Second,the primarily segmented results are expressed by MRF model,and the final segmentation results are gained via Bayes belief propagation.
算法包括两个步骤,首先通过NSCT实现对图像纹理特征的提取,并使用模糊C-均值完成对图像的初始分割;然后将初始分割结果用MRF模型表示,通过贝叶斯置信传播得到图像的最终分割结果。
2) Bayesian belief propagation
贝叶斯信任传播
1.
Bayesian belief propagation allows it to efficiently find a local maximum of the posterior probability for the scene, given the image.
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。
3) Bayesian Belief Propagation Algorithm
贝叶斯信念传播算法
4) Bayesian credible interval
贝叶斯置信区间
1.
The Bayesian credible intervals that arise when a parameter is given a uniform distribution over the restricted range and nuisance parameters are unknown have good frequentist coverage probabilities.
当参数限制在某一范围内并服从一致的分布,且多余参数未知时,其贝叶斯置信区间有很高的置信概率。
5) Fuzzy-Bayesian Belief Network
模糊贝叶斯置信网络
6) belief propagation
置信传播
1.
Improved belief propagation algorithm for decoding of convolutional LDPC codes
一种改进的卷积LDPC码置信传播译码算法
2.
In this system,we adopt the belief propagation decoding algorithm of LDPC codes in log domain.
在该系统中,LDPC码的译码方案采用对数域上的置信传播(BP)译码算法。
3.
The details of three important LDPC decoding algorithms, including hard-decision based algorithms, message passing algorithms and the belief propagation algorithm are presented in this paper.
给出了LDPC译码中三种算法:硬判决算法、消息传递算法以及置信传播算法的详细步骤,证明了消息传递算法和置信传播算法的等效性,得出了消息传递算法是置信传播算法对数域的实现方法。
补充资料：贝叶斯公式
贝叶斯公式为利用搜集到的信息对原有判断进行修正提供了有效手段。在采样之前，经济主体对各种假设有一个判断（先验概率），设为，{}。
关于先验概率的分布，通常可根据经济主体的经验判断确定(当无任何信息时，一般假设各先验概率相同)，较复杂精确的可利用包括最大熵技术或边际分布密度以及相互信息原理等方法来确定先验概率分布。
当采样得到样本值后，当事人对各假设的判断(后验概率)为
关于先验概率的分布，通常可根据经济主体的经验判断确定(当无任何信息时，一般假设各先验概率相同)，较复杂精确的可利用包括最大熵技术或边际分布密度以及相互信息原理等方法来确定先验概率分布。
当采样得到样本值后，当事人对各假设的判断(后验概率)为
，= 1， 2， %26#8230;， (5.5)
在实际经济生活中，信息搜寻工作不是一次就完成的。当信息搜寻进行到某一阶段，设已进行了 次采样( =1，2，%26#8230;)，此时经济主体对各假设的后验概率的认识为
=1， 2， %26#8230;， (5.6)
其中，表示在第次采样前对假设的判断，当 =1时即表示第一次采样前的先验概率，从而式(5.5)变成式(5.6)的一个特例，即，将其记为。
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