图像特征工程是图像场景理解中的一项重要基础性工作，基于概率图模型的图像整体场景理解特征工程作为其延伸，其复杂性和综合性远高于基本图像理解特征工程。针对这一特点，对图像理解特征工程中的特征提取、表示、学习和变换，基于概率图模型的图像整体场景理解特征工程研究价值和意义、典型特征工程等多方面进行了归纳与分析，重点介绍了四种代表性的基于概率图模型的图像整体场景理解特征工程，并作了详细比较，提出了基于概率图模型的图像整体场景理解特征工程基本框架。最后对未来发展方向进行了展望，为该领域的进一步研究提供参考。

对于整体网络的观察有助于我们认识社会力量是如何塑造真实世界系统的，建立以关系为中心面向整体网络分析的形成。复杂的以关系为中心的整体网络模型可能包含网络成员的属性特征、网络全局结构特征等因素，最终通过结合这些因素构建的复杂模型可以用来解释并预测网络关系的形成。这些模型可以分为：以下四种： （1） 简单随机图模型 （2） 二元独立性模型 （3） 二元依赖性模型 （4） 高序依赖性模型

ergm.ego ：对以自我为中心的采样网络数据进行拟合，模拟和诊断指数族随机图模型 用于管理以自我为中心的采样网络数据的实用程序以及“ ergm”包周围的包装器，以方便从此类数据进行ERGM推理和模拟。 公共和私人存储库 为了促进程序包的开放式开发，同时为核心开发人员提供机会在将其开发为一般用途之前发布其开发内容，该项目包括两个存储库： 公共存储库statnet/ergm.ego 私有存储库statnet/ergm.ego-private 目的是使statnet/ergm.ego-private中的所有开发最终进入statnet/ergm.ego并进入CRAN。 Statnet项目的开发人员和贡献用户应阅读以获取有关公共和私有存储库之间的关系以及所涉及的工作流程的信息。 最新的Windows和MacOS二进制文件 每次提交到存储库后，都会生成一组二进制文件。 我们强烈建议您在提

Stanford大学Koller老师的新书, 概率图模型, 全面介绍该领域知识

对于整体网络的观察有助于我们认识社会力量是如何塑造真实世界系统的，建立以关系为中心面向整体网络分析的形成。复杂的以关系为中心的整体网络模型可能包含网络成员的属性特征、网络全局结构特征等因素，最终通过结合这些因素构建的复杂模型可以用来解释并预测网络关系的形成。这些模型可以分为：以下四种： （1） 简单随机图模型 （2） 二元独立性模型 （3） 二元依赖性模型 （4） 高序依赖性模型 本人就这四种模型，以指数随机图模型导论为蓝本，调试了全部R语言代码。运行正常。

认知无线电中基于干扰图模型的动态频谱分配。 M=5; %频谱池中信道的个数 N=Nc/2; %发送节点的个数 r=10.^(15/20); %最小SINR值，r=15dB a=4; %衰减因子 V=[rand(N,1)*10,rand(N,1)*10]; %产生10*10范围随机分布的N个顶点的横纵坐标，作为干扰图表的顶点 V1=[rand(N,1)*20,rand(N,1)*20]; %产生20*20范围随机分布的N个认知用户的横纵坐标，作为发送节点的坐标 V2=[rand(N,1)*20,rand(N,1)*20]; %产生20*20范围随机分布

链路概率模型 (LPM) 可用作指数随机图模型 (ERGM) 的替代方法来模拟网络数据。 LPM 根据基于历史频率的链接概率来表征网络。 在本文中，LPM 与 ERGM 进行了比较和对比。 通过将这两种方法应用于四个纵向数据集来检查这两种方法的相对效用。 描述了这两种方法在数据需求、可扩展性和假设方面的相对优势和劣势。

人工智能-机器学习-概率图模型在情感计算中的应用研究.pdf

大数据-算法-高斯图模型的基于联接树改进的IPSP算法.pdf

文件说明： raw_data.txt //原始数据集（语料库） handle.py //因为原始数据集很大，可以通过handle.py对去全量数据集进行处理，得到小的数据集 hmm1.py //隐马模型的实现代码