　　有一种很重要的概率图模型用于SLAM，视觉追踪，识别，传感融合等领域，称为为Template Model. 其特征是每个状态具有多个随机变量，下个状态随机变量的取值受到上个状态的影响。并且随机变量之间的交互属于复制关系。如下图所示：

　　显然，普通的概率图模型的图是确定的，并不会图的结构不会改变，而这种Template Model的图结构会随着时间的改变自行增殖，故此模型的推理算法需要单独讨论。

1、变未知为已知，图的截断

　　一种简单的思路是在某个时间点对图模型进行截断，将增殖的PGM变为固定的PGM，再在图模型上运行推理算法。

　　对如图所示结构而言，获得的信息是1~t时间传感器的观测值。算法目标是推测St时刻的状态。定义s(t+1)时刻的“猜测状态为xigma_dot_(t+1)，可知，其分布为t时刻状态的和。也就是t时刻取值的线性组合。在给定t+1时刻的观测时，s(t+1)可表达为下式：

　　s(t+1)真正的值实际上和t+1时刻的观测，对t+1时刻的猜测，以及分母——对t+1时刻观测量的猜测有关。分母实际上是一个跟状态无关的常数，最后求不同状态S取值比例的时候分母是可以忽略的。所以重要的是分子。分子和两个量有关，第一个是观测模型，第二个是t+1时刻状态猜测量。而状态猜测量是线性组合，每次计算都可以直接带入上次结果。所以，这种结构的Template Model算起来并不会非常困难。

转载于:https://www.cnblogs.com/ironstark/p/5251735.html

机器学习 —— 概率图模型（推理：连续时间模型）相关推荐

机器学习——概率图模型
机器学习--概率图模型有向图-贝叶斯网络无向图-马尔科夫网络(马尔科夫随机场) 两种图的转换-道德图更精细的分解-因子图推断推断-变量消除(VE) 推断-信念传播(BP) 推断-Max-Pr ...
机器学习 —— 概率图模型（推理：采样算法）
基于采样的推理算法利用的思想是概率 = 大样本下频率.故在获得图模型以及CPD的基础上,通过设计采样算法模拟事件发生过程,即可获得一系列事件(联合概率质量函数)的频率,从而达到inference的 ...
[机器学习]概率图模型
本文档记录了<机器学习>第 14 章概率图模型相关内容概率图模型模型有向图/无向图判别式/生成式逻辑回归无向图判别式朴素贝叶斯有向图生成式 HMM 有向图生成式马尔 ...
深入理解机器学习——概率图模型（Probabilistic Graphical Model）：条件随机场（Conditional Random Field，CRF）
分类目录:<深入理解机器学习>总目录条件随机场(Conditional Random Field,CRF)是一种判别式无向图模型,在<概率图模型(Probabilistic Gra ...
机器学习 —— 概率图模型（学习：CRF与MRF）
在概率图模型中,有一类很重要的模型称为条件随机场.这种模型广泛的应用于标签-样本(特征)对应问题.与MRF不同,CRF计算的是"条件概率".故其表达式与MRF在分母上是不一样的. ...
机器学习 —— 概率图模型（Homework: CRF Learning）
概率图模型的作业越往后变得越来越有趣了.当然,难度也是指数级别的上涨啊,以至于我用了两个周末才完成秋名山神秘车牌的寻找,啊不,CRF模型的训练. 条件随机场是一种强大的PGM,其可以对各种特征进行建模 ...
深入理解机器学习——概率图模型（Probabilistic Graphical Model）：马尔可夫随机场（Markov Random Field，MRF）
分类目录:<深入理解机器学习>总目录马尔可夫随机场(Markov Random Field,MRF)是典型的马尔可夫网,这是一种著名的无向图模型,图中每个结点表示一个或一组变量,结点之间 ...
机器学习 —— 概率图模型（学习：贝叶斯估计）
之前谈到学习就是利用数据集对参数进行最大似然估计.本质上是获取一组有效的参数.然而如果考虑一个这样的问题:一枚硬币扔10次有7次朝上:扔1000次有700次朝上.显然对于二者而言,对参数的估计都是0. ...
机器学习 —— 概率图模型（学习：对数线性模型）
对数线性模型是无向图中经常使用的一种模型.其利用特征函数以及参数的方式对势函数进行定义,可获得较好的效果.在之前有向图的学习中,我们发现可以利用d-seperet,充分统计,狄利克雷函数等方式来很优雅 ...

机器学习 —— 概率图模型（推理：连续时间模型）

1、变未知为已知，图的截断

机器学习 —— 概率图模型（推理：连续时间模型）相关推荐

最新文章

热门文章