概率图模型（PGM）学习笔记（五）——模板模型
模板模型（Template Models）主要包括模板变量（TemplateVariables）和语言（Language）。
模板模型可以应用于无限大的贝叶斯网络；
模板变量是被多次复用的变量：
如：地点(时间)、基因型（人物）、标签（像素）、难度（课程），等等。
语言用来描述模板变量如何从模板中继承依赖关系。
语言有很多种，各种语言都有各种应用条件，从而构造出大量非常有用的语言。
模板模型可以用紧凑的方式描述
1.时序上的重复（如动态贝叶斯网络Dynamic Bayesian Networks）。
2.对象关系上的重复（有向或无向）
时序模型（Temporal Models）
用链式法则可以描述一个时序模型：
为了简化模型，我们做以下2个假设：
马尔科夫假设（Markov Assumption——遗忘假设）
一旦知道现有状态，不再关心之前状态：
这个假设实际常常并不合理，可以通过2种手段修正：
1.增加描述状态的变量。
2.增加与之前状态的相关性（半马尔科夫模型）。
时间不变性（Time Invariance）假设
系统状态间的变化并不依赖于时间：
这个假设也常常不合理，如交通系统。
模板转换模型（Template Transition Model）
以交通系统为例。
如图左侧是t时间状态，右图是t+1时间状态。这个模型很好地展示了交通系统如何随着时间动态变化，变量为天气、汽车速度、汽车位置、传感器是否失效。右下角的Obs是传感器观测量。
整个模型用链式法则表示就是：
注意观察图片，发现在同一时间状态内（如Failure’-Obs’）或不同状态之间（如Failure-Failure’）都有依赖关系，为什么会这样呢？因为Failure’-Obs’是瞬时的，不用经过时间的变换。
另外，为什么左边没有Obs呢？因为上一个状态的Obs不影响下一个状态的任何变量。
图中有几种典型的边：
PersistenceEdges：Location-Location’
Intra-TimeSlice Edges：Failure’-Obs’
Inter-TimeSlice Edges：Location-Location’
有了以上基础，就能展开得到Ground Bayesian Network（也是一个动态贝叶斯网络）：
动态贝叶斯网络（Dynamic Bayesian Network）的特点
1.网络结构在每个TimeSlice内都是相同的。
2.第t片网络只跟第t-1片和t+1片网络有关。
3.DBN是任意长度时间序列结构分布的紧凑表示。
隐马尔科夫模型（Hidden Markov Models, HMM）
较详细的介绍见我之前的博客
隐马尔科夫模型（HMM）及其实现
用图模型表示出来采用HMM的机器人定位系统为：
核心成分为红圈中间的部分。
-HMM是DBN的子类。
-从随机变量的条件概率来看，HMM的结构是非常稀疏的（与一般DBN相比）
-HMM用途很广，用于语音识别领域效果非常好。
板模型（Plate Models）
之所以叫板，是因为它主要用来建模重复变量：“像一摞同样的板子（And the reason for calling it a plate is because the intuition ofthis is a stack of identical plates, that's kind of where the idea comes from, fora plate model.）”
板就是在输出变量周围画个小盒子，在盒子的右下角写上输出变量的索引。例如重复成绩模型，就是以学生s为索引的：
嵌套板（Nested Plates）
嵌套板以为着内层板还要以外层板为索引。
重叠板（Overlapping Plates）
对于板模型，则其父节点的索引必须是模板变量索引的子集。
即Grades(s,c)--->Honor(s)这种结构是不能表示的。
概率图模型（PGM）学习笔记（五）——模板模型相关推荐
- python学习模型_python学习笔记（IO模型）
1.IO模型介绍: io模型一般有五种: * blocking IO * nonblocking IO * IO multiplexing * signal driven IO * asynchron ...
- 【相机标定与三维重建原理及实现】学习笔记1——相机模型数学推导详解
目录 前言 一.小孔成像模型 二.坐标系的变换 1.世界坐标系到相机坐标系的变换(刚体变换)[xw^→xc^\boldsymbol {\hat{x_{w}}}\rightarrow \boldsymb ...
- 【brainpy学习笔记】突触可塑性模型2——Hebb学习律、Oja法则与BCM法则
参考书目:<神经计算建模实战--基于brainpy> 吴思 书接上文: [brainpy学习笔记]突触可塑性模型1--STP/STDP模型_Fellyhosn的博客-CSDN博客https ...
- V-rep学习笔记：机器人模型创建2—添加关节
下面接着之前经过简化并调整好视觉效果的模型继续工作流,为了使模型能受控制运动起来必须在合适的位置上添加相应的运动副/关节.一般情况下我们可以查阅手册或根据设计图纸获得这些关节的准确位置和姿态,知道这些 ...
- ArcGIS模型构建器案例学习笔记-字段处理模型集
ArcGIS模型构建器案例学习笔记-字段处理模型集 联系方式:谢老师,135-4855-4328,xiexiaokui@qq.com 由四个子模型组成 子模型1:判断字段是否存在 方法:python工 ...
- MATLAB simulink 模型验证学习笔记
MATLAB simulink 模型验证学习笔记 一.静态验证 1.Model Advisor 模型验证意思是用matlab自带的规范检查工具来检查自己画的模型是否符合规范. 进行模型验证需要用到的模 ...
- 小吴的《机器学习 周志华》学习笔记 第二章 模型评估与选择
小吴的<机器学习 周志华>学习笔记 第二章 模型评估与选择 上一周我们介绍了第一章的基础概念,这一次将带来第二章的前三节.后面的2.4 比较检验与2.5 偏差与方差,涉及概率论与数理统计概 ...
- Machine Learning A-Z学习笔记12-分类模型性能评级及选择
Machine Learning A-Z学习笔记12-分类模型性能评级及选择 1.简单原理 一般认为假阴性比假阳性更严重,如核酸检测 用混淆矩阵表示如下图 准确率驳论(Accuracy Paradox ...
- MPC模型预测控制学习笔记-2021.10.27
MPC模型预测控制学习笔记-点击目录就可以跳转 1. 笔者介绍 2. 参考资料 3. MPC分类 4. 数据的标准化与归一化 5. MATLAB-MPC学习笔记 5.1 获取测试信号:gensig( ...
- 【brainpy学习笔记】突触模型2——化学突触的生理学模型、电突触模型
参考书目:<神经计算建模实战--基于brainpy> 吴思 书接上文: [brainpy学习笔记]突触模型1--化学突触的现象学模型https://blog.csdn.net/Fellyh ...
最新文章
- Apache Hive 快速入门 (CentOS 7.3 + Hadoop-2.8 + Hive-2.1.1)
- VS C/C++控制台程序添加内存泄漏自动检测功能
- 关于 Delphi 中流的使用(10): 压缩与解压缩进度 - 回复 ilst 的问题
- Dubbo 在 K8s 下的思考
- 【转载 译自MarketWatch 】 华尔街疯人日记 （二十五）
- web前端（3）—— html标签及web页面结构
- 很容易学习的JQuery库 : (八) 杂项 noConflict() 方法
- probability是什么意思_probability
- Oracle 11g R1/R2 真正应用集群（RAC）基础
- python概率密度函数参数估计_概率密度估计介绍
- 项目合同与劳务合同的区别
- 找不到注册表中HKEY_CURRENT_USER的问题
- 软考高级 真题 2010年上半年 信息系统项目管理师 综合知识
- Jiangsheng的CSDN Digest(March 4, 2006)
- DataBinding 大坑总结（网上我暂时搜不到解决方法）
- 阿里云服务器支持IPV6和CND的详细教程
- android 记录总结安装Apk问题
- 事件（events）
- linux搜索模具,SiemensNX模具设计工具套件_模具设计_云市场-华为云
- 大四找完工作随便写写
热门文章
- innobackupex工作原理
- tomcat设置独立jvm的例子
- 选择所在城市html按字母,移动端根据字母定位到指定的城市【原创】
- python数据可视化仪表盘,Python 数据可视化？
- 1090 Highest Price in Supply Chain (25 分) 树的遍历：深度搜索+vector
- unordered_map 简介
- pagehelper中找不到pageinterceptor这个类_PageHelper分页插件
- 【HDU5726】GCD（区间GCD查询+统计区间gcd为k的区间个数----线段树/st表+思维）
- 虚拟主机网站搬到服务器上,如何把网页文件放到云虚拟主机
- python modules_python—模块-