导读:本文包含了随机场论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:马尔,图像,科夫,条件,建筑物,卷积,模型。
随机场论文文献综述
么嘉棋,陈继溢,陈赟,刘超镇,李国元[1]（2019）在《联合深度学习和条件随机场的遥感影像云检测》一文中研究指出针对最大类间分类法等传统方法在高分辨率影像云检测时对噪声敏感、云边缘轮廓不精确等问题,该文提出一种结合神经网络结构SegNet和条件随机场的云检测方法,在实现含云区域提取的同时很好地保留了云的边缘轮廓。实验结果表明,结合SegNet神经网络和条件随机场的云检测精度达到94.8%,高于其他经典算法约5%,边缘保持度精度高,并避免了经典算法对噪声敏感的缺点。(本文来源于《测绘科学》期刊2019年12期）
张浩然,张岱,武登科,周鹏程,东佳毅[2]（2019）在《基于马尔科夫随机场的木材缺陷图像分割算法》一文中研究指出针对木材中存在的死节缺陷问题,提出了一种基于马尔科夫随机场的图像分割算法。首先将彩图从RGB空间分别转换到HSV/HSI/Lab/Luv/YUV/YCbCr空间中去;然后依次得到HSV空间中的V通道、HSI空间中的I通道、Lab空间中的L通道、Luv空间中的L通道、YUV空间中的Y通道和YCbCr空间中的Y通道的灰度图;再对每个灰度图进行Otsu分割,得到分割二值图,从中选取最佳的颜色通道和初始分割结果;最后利用马尔科夫随机场模型进行多通道图像分割。试验结果表明,在多种颜色空间中合理选择各组合通道,并利用马尔科夫随机场模型,能够有效实现木材死节提取,性能指标SD、Dice、ER、NR数值分别为96. 60%、98. 27%、1. 74%、1. 74%。(本文来源于《林业机械与木工设备》期刊2019年11期）
张凌,谭璇,宋冬梅,王斌,李睿琳[3]（2019）在《基于马尔科夫随机场的单时相震害影像受损建筑物识别方法》一文中研究指出建筑物是地震中的主要承灾体,其受损情况可作为评估地震破坏等级的重要参考依据。因此,快速准确地对震后影像中的受损建筑物进行识别显得尤为重要,对震后救援和应急响应具有指导意义。现有的震害遥感信息提取方法的精度低、速度慢,无法满足快速应急响应的迫切要求。文中提出一种基于马尔科夫随机场(Markov Random Field,MRF)模型的建筑物受损程度检测方法,首先利用马尔科夫随机场对影像进行分割,再根据影像中不同程度受损建筑物所呈现的特征,利用支持向量机在分割后的影像中提取受损建筑物。实验表明,该方法性能良好,平均总体精度达93. 02%。与传统方法相比,该方法操作简便,且提取精度和运行时间均有显着优势,能够精准、快速地识别震害单时相影像中的受损建筑物。(本文来源于《地震地质》期刊2019年05期）
梁立荣,李长伟,沈晔,周立娟,景行[4]（2019）在《基于层迭条件随机场模型的电子病历文本信息抽取》一文中研究指出自然语言处理技术已用于非结构化中文电子病历信息抽取,并且新的算法或模型不断出现,但其应用效果的证据较少。共收集北京某大型叁甲综合医院呼吸专科住院电子病历38 218份,通过对数据预处理,抽象文本特征与定义语法规则,产生训练数据集和测试集,构建层迭条件随机场模型,并评估该模型的识别效果。结果表明,针对入院记录、出院记录、辅助检查报告3大类共39种非结构化文本,该模型可准确、快速地处理病历文本信息,应用效果较为理想。(本文来源于《计算机应用与软件》期刊2019年10期）
闵帆,杨卫国[5]（2019）在《二叉树指标随机场关于分枝马氏链的一类强偏差定理》一文中研究指出本文研究了二叉树指标随机场关于分枝马氏链的一类强偏差定理.通过引入渐近对数似然比作为二叉树指标任意随机场与分枝马氏链之间偏差的一种度量,进而构造鞅的方法,获得了二叉树指标随机场关于分枝马氏链的一类强偏差定理,推广得到了二叉树指标分枝马氏链的强大数定理和渐近均分性.(本文来源于《数学杂志》期刊2019年05期）
张译元[6]（2019）在《基于高斯马尔科夫随机场的区域产量保险定价》一文中研究指出文章基于农作物产量具有较强的时空分布特征,在产量分布的参数中引入时空固定效应和空间随机效应构建嵌入式时空模型。趋势拟合和分布拟合同时进行,避免了传统两步法中建模误差的迭加;高斯马尔科夫随机场的引入改进了模型的预测效果;对多个地区的产量分布同步进行拟合,增大了样本量,参数估计更稳健。对一组实际数据的分析结果表明,基于逻辑斯特分布的嵌入式时空模型预测能力最强,能够有效提高农作物区域产量保险定价的准确性。(本文来源于《统计与决策》期刊2019年16期）
千倩,汪丙南,向茂生,付希凯,蒋帅[7]（2019）在《基于相干系数-马尔可夫随机场的高分辨率SAR图像建筑物分割算法（英文）》一文中研究指出高分辨率合成孔径雷达(Synthetic aperture radar,SAR)图像的建筑物分割问题一直是重要的研究课题之一。由于斑点噪声和多路径效应的存在以及建筑物几何结构的影响,建筑物区域内部会产生强散射斑点,像素强度值的差异较大,给建筑物分割和提取带来了困难。针对这个问题,本文提出了一种基于相干系数-马尔科夫随机场(coherence-coefficient-based Markov random field,CCMRF)的高分辨率SAR建筑物分割算法,该方法将干涉合成孔径雷达(interferometric synthetic aperture radar,InSAR)的相干系数引入到传统马尔可夫随机场(Markov random field,MRF)的邻域能量中,使得相干信息和空间上下文信息得到更充分的利用。根据Hammersley-Clifford定理,图像分割的最大后验(Maximum a posteriori,MAP)问题被转化为最小化似然能量和邻域能量之和的问题,最后采用迭代条件模型(Iterative condition model, ICM)得到最优解。实验结果表明,该方法与传统的马尔可夫方法和K均值聚类方法相比,可以有效地对SAR建筑物进行分割并获得更准确的结果。(本文来源于《Journal of Measurement Science and Instrumentation》期刊2019年03期）
汪萍[8]（2019）在《基于多尺度条件随机场的语义图像分割深度卷积网络》一文中研究指出针对复杂边界处语义分割信息在多尺度情况下表现出的不一致性,引起的现有模型产生错误语义分割标记预测问题,受到空间语境关系启发,提出一种多尺度条件随机场的深度卷积网络模型。首先,不同尺度的初始标记通过深度卷积网络获得,从而构建语义标记的多尺度表达;其次,引入多尺度表达的条件随机场模块,并在该模块上添加同层二元关系和异层二元关系,构建新的条件随机场能量评价;最后,针对模型中的深度网络参数和条件随机场参数学习过程,设计一种两阶段的训练过程,兼顾了模型的收敛速度和精度。实验给出了公认的PASCAL VOC 2012数据集的语义分割结果,能够说明该方法较现有主流方法有一定优势。(本文来源于《宿州学院学报》期刊2019年07期）
李语尧,李晓宇,陆子旭,黄为新[9]（2019）在《基于马尔可夫随机场的眼底图像血管分割研究》一文中研究指出眼底图像血管分割是医用图像分割中较为复杂的一种,在目前的研究中存在分割精度低、效率不高等问题。提出基于马尔可夫随机场的眼底图像血管分割算法,根据眼底图像的特点构建马尔可夫随机场模型,提取H通道作为特征场参数,利用最大后验准则完成标号场更新,最终实现对视网膜血管的分割。算法通过眼底图像数据库DRIVE进行测试,结果表明:该算法平均准确度为0.954 6,平均敏感度为0.899 9,平均特异度为0.957 1,具有很好的分割效果,且运行稳定,计算方便快捷,具有鲁棒性。(本文来源于《计算机应用与软件》期刊2019年07期）
马孟铖[10]（2019）在《基于词向量和条件随机场的中文命名实体识别及分类》一文中研究指出命名实体是文本中的基本信息单元,表示文本中内在名称和缩写的信息,同时自然语言处理研究中一项基础且必要的任务就是识别命名实体。随着计算机技术水平的不断提高,自然语言处理和文本处理的研究不断深入,问答系统、意见挖掘等领域研究都需要语义知识作为支持。从狭义上讲,命名实体可以分为人名,地名,机构名等;从广义上讲,命名实体包括各种表达式、电子邮箱等。随着对自然语言处理研究的兴起,原始的命名实体界定范围已经不能满足需求。人们对命名实体的覆盖范围在原有的基础上进行了扩展,分类更加细致。地名也可细分为地区名称(不同大洲)、国家名称、城市名称、乡镇名称等。相同语料可能因为研究任务的不同需要不同类型的命名实体,若每次根据任务类型再选取相应的特征需要耗费大量人力、精力和时间,代价未免太过巨大。因此,现在的研究重点应该是根据不同应用领域的特定需求定义不同类型的命名实体并加以识别,并且快速、高效率的完成。本文基于先识别再分类的思想,提出一种先构建特征模板识别出实体,再利用词向量聚类以及计算词向量相似度的方法对实体进行分类。命名实体识别语料:本文选取1998年1月人民日报作为命名实体识别部分的训练、测试语料。命名实体分类语料:训练语料中的实体词向量及开源的人民日报词向量词典。实验本文的主要研究工作包括:(1)人工手动标注实验语料库,不同的领域语料具有领域独立性特点,选取的特征不具有普遍性。汉语语料库中新闻语料使用的词语相对严谨,规范,涉及领域广泛,所以本文选择1998年1月人民日报作为语料。本文对5300余句实验语料进行人工标注,在原有标注类型的基础上,又增加了“汉族人名”“其他人名”“中国地名”“外国地名”“学校、研究机构”“政府机关”“企、事业单位”“文娱活动机构”等8类实体标注。为验证后续实验中命名实体分类的准确性做好基础准备工作。(2)采用基于条件随机场的方法识别命名实体,根据通用领域语料特点,我们选取相适应的特征采用多特征融合的方法,构建复合特征模板识别中文人名、地名、机构名实体,通过利用新闻语料中词语用词相对谨严、规范的特点,我们特意选取了“实体的核心特征词”“实体的右边界词”“复杂机构名的边界限定标记”等统计特征。有针对性的构建复合特征模板,根据实验结果选出最优组合,实现中文人名、地名、机构名实体的识别。(3)基于词向量聚类和词向量间相似度实现了中文地名、机构名实体的细分类,本文将中文人名、地名、机构名实体进一步划分为“中国地名”“外国地名”“学校、研究机构”等8类。利用词向量包含丰富的语义和领域特性这一属性,采用训练好的人民日报实体词向量词典对训练集中命名实体进行匹配。对匹配出词向量的实体进行K-means聚类,根据实验选择最佳的簇数并人工施加质心,将训练集中的命名实体聚类成一个个的簇。最后将测试集中识别出的命名实体和簇内实体比较相似性,实现命名实体的分类。(4)实现了对于人名实体的分类。汉族人名有别于其他人名,其构成形式为“姓+名”,且姓多为单字,少数为两字,姓名总长度一般不超过4个字符。根据这一特点,本文通过构建百家姓词典及判断实体长度对待分类人名实体进行分类。实验结果表明,本文针对中文命名实体识别及分类问题,提出先识别再分类的思想,采用实体词向量聚类及计算词向量相似度的方法相较于直接采用条件随机场的方法对命名实体分类的效果更好。且后续根据任务类型的不同,通过人工设置质心,可以快速进行实体词向量聚类,完成命名实体分类。在1998年1月人民日报语料中取得了较好的识别结果。本文提出的命名实体所分8个类别识别结果F1值最高达到93.04%,F1值的平均值达到了83.82%。(本文来源于《新疆大学》期刊2019-06-30）
随机场论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对木材中存在的死节缺陷问题,提出了一种基于马尔科夫随机场的图像分割算法。首先将彩图从RGB空间分别转换到HSV/HSI/Lab/Luv/YUV/YCbCr空间中去;然后依次得到HSV空间中的V通道、HSI空间中的I通道、Lab空间中的L通道、Luv空间中的L通道、YUV空间中的Y通道和YCbCr空间中的Y通道的灰度图;再对每个灰度图进行Otsu分割,得到分割二值图,从中选取最佳的颜色通道和初始分割结果;最后利用马尔科夫随机场模型进行多通道图像分割。试验结果表明,在多种颜色空间中合理选择各组合通道,并利用马尔科夫随机场模型,能够有效实现木材死节提取,性能指标SD、Dice、ER、NR数值分别为96. 60%、98. 27%、1. 74%、1. 74%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
随机场论文参考文献
[1].么嘉棋,陈继溢,陈赟,刘超镇,李国元.联合深度学习和条件随机场的遥感影像云检测[J].测绘科学.2019
[2].张浩然,张岱,武登科,周鹏程,东佳毅.基于马尔科夫随机场的木材缺陷图像分割算法[J].林业机械与木工设备.2019
[3].张凌,谭璇,宋冬梅,王斌,李睿琳.基于马尔科夫随机场的单时相震害影像受损建筑物识别方法[J].地震地质.2019
[4].梁立荣,李长伟,沈晔,周立娟,景行.基于层迭条件随机场模型的电子病历文本信息抽取[J].计算机应用与软件.2019
[5].闵帆,杨卫国.二叉树指标随机场关于分枝马氏链的一类强偏差定理[J].数学杂志.2019
[6].张译元.基于高斯马尔科夫随机场的区域产量保险定价[J].统计与决策.2019
[7].千倩,汪丙南,向茂生,付希凯,蒋帅.基于相干系数-马尔可夫随机场的高分辨率SAR图像建筑物分割算法（英文）[J].JournalofMeasurementScienceandInstrumentation.2019
[8].汪萍.基于多尺度条件随机场的语义图像分割深度卷积网络[J].宿州学院学报.2019
[9].李语尧,李晓宇,陆子旭,黄为新.基于马尔可夫随机场的眼底图像血管分割研究[J].计算机应用与软件.2019
[10].马孟铖.基于词向量和条件随机场的中文命名实体识别及分类[D].新疆大学.2019
论文知识图
![航空网络的组织模式（引自文献[11]）](/uploads/article/2020/01/03/f970a02b32baae96fdb32c3b.jpg)