Пред.
След.
Макеты страниц
Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO
1.3. СВЕДЕНИЯ ИЗ ТЕОРИИ ДИСКРЕТНЫХ ЦЕПЕЙ МАРКОВАДискретные цепи Маркова — удобная и эффективная математическая модель бинарных изображений. Это объясняется тем, что уровни яркости бинарного изображения имеют всего лишь два значения, изображение дискретизировано при занесении его в запоминающее устройство изображений в ЭВМ, а механизм формирования изображений обычно обеспечивает определенную степень статистической зависимости между соседними отсчетами. Марковские модели достаточно часто применяются при обработке изображений, в том числе и бинарных (например, в [44]). В последующих разделах аппарат дискретных цепей Маркова будет широко применен для решения задач фильтрации, выделения, обнаружения и распознавания бинарных изображений. В связи с этим ниже даются необходимые сведения по этому аппарату. Конечной дискретной цепью Маркова называют случайный процесс, протекающий в дискретном времени и имеющий конечное число состояний Основной характеристикой цепи Маркова является условная вероятность перехода вида Вероятность перехода за
где
— соответственно, вероятностные векторы состояний марковской цепи на нулевом и Состояние В [28] доказана теорема о том, что в любой дискретной цепи Маркова, независимо от того, где начался процесс, вероятность после При имеющейся матрице вероятностей переходов Р указанную матрицу удобно представить в следующем блочном виде:
где
где Q — квадратная подматрица матрицы Р, получающаяся вычеркиванием строк и столбцов, соответствующих поглощающим состояниям. Элемент фундаментальной матрицы равен математическому ожиданию числа шагов, проведенных процессом в состоянии
где При наличии нескольких, поглощающих состояний возникает вопрос: какова вероятность того, что процесс попадает в конкретное поглощающее состояние? Ответ на него позволяет дать фундаментальная матрица, с помощью которой вычисляется матрица В [см. формулу (1.3.2)]:
При наличии двух поглощающих состояний имеются уже не только безусловные значения EV и DV, но и условные Пусть Для вычисления
где Обращенные цепи Маркова позволяют производить прогнозирование процесса в прошлом времени, если известно состояние процесса в настоящем. Матрицу вероятностей переходов обращенной цепи Маркова Р вычисляют по формуле
где Перейдем к рассмотрению методов определения векторов вероятностей состояния Исходным выражением для нахождения зрения, прост, но громоздок, так как не обладает свойствами развязки по состояниям и времени. Под развязкой по состояниям будем понимать возможность вычисления произвольной компоненты Независимые методы базируются на методах производящих функций, z — преобразованиях и расчетах по формуле Перрона [51]. Общий механизм вычисления вектора вероятностей состояний цепи поясним на примере цепей с регулярной матрицей вероятностей переходов Р [76]. Степень матрицы Р может быть представлена в виде
где
где Из-за чрезвычайно высокой трудоемкости определения спектра, а также семейств правых и левых собственных векторов матрицы общего вида применение независимых методов затруднено для цепей с большим числом состояний. Метод вычисления компоненты вероятностного вектора цепи с развязкой по состояниям получается на основе тождества Гамильтона-Кели. Как для вероятностного вектора, так и для его отдельной компоненты существуют рекуррентные соотношения вида [69, 76]:
где На основании рекуррентного соотношения получается следующее матричное равенство:
где F — матрица Р, приведенная к нормальному виду Фробениуса, Основные преимущества представления марковской цепи в виде (1.3.10) основаны на том, что матрица F по сравнению с матрицей Р имеет очень простую структуру. Использование рекуррентных методов, обладающих свойством развязки по состояниям, обеспечивает значительный выигрыш в объеме вычислений для задач, в которых необходимо определение одной или нескольких компонент вектора вероятностей состояний марковской цепи с большим числом состояний. Примером таких задач является задача срыва слежения конечного автомата, возникающая, например, при прослеживании контура изображения.
|
1 |
Оглавление
|