基于条件随机场对中文案件语料进行命名实体识别。在学习知识图谱理论课时，我们知道实体（Entity）是知识图谱的基本单位，也是承载信息的重要语言单位。实体识别是知识图谱应用的重要技术。目前实体识别主要有三种方法： 基于规则和词典的实体识别 基于统计机器学习的实体识别 基于深度学习神经网络的实体识别 条件随机场（Conditional random field，CRF）是一种条件概率分布模型 P(Y|X) ，表示的是给定一组输入随机变量 X 的条件下另一组输出随机变量 Y 的马尔可夫随机场。 CRF 是一个序列化标注算法（sequence labeling algorithm），接收一个输入序列如X=(x1, x2,…, xn)并且输出目标序列Y=(y1, y2,…, yn)  ，也能被看作是一种seq2seq模型。这里使用大写 X,Y 表示序列。例如，在词性标注任务中，输入序列为一串单词，输出序列就是相应的词性。 除了词性标注之外，CRF还可以用来做chunking，命名实体识别等任务。一般地，输入序列X被称为 observations, Y叫作 states。

基于OpenCL的高阶马尔科夫随机场图像去噪的快速实现

英文文献，他的中文翻译可看其他博文： 为了提高压缩、水印或简化等常见处理操作的效率，网格分析和聚类已成为重要问题。在此背景下，我们提出了一种新的聚类/标记三维网格的方法，给定任何与其顶点相关的标量值域(曲率，密度，粗糙度等)。我们的算法是基于马尔可夫随机场，图形概率模型。该贝叶斯框架允许(1)在聚类中同时集成属性和几何，(2)由于随机场的马尔科夫特性，仅使用局部交互来获得最优全局解。我们定义了新的观测模型和先前的三维网格模型，采用图像处理方法，在空间一致性方面取得了很好的效果。对所有模型参数进行估计，从而实现在合理时间(几秒)内工作的全自动过程(唯一需要的参数是集群的数量)。 ———————————————— 版权声明：本文为CSDN博主「佩佩想做程序猿」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/qq_46559411/article/details/124355840

在这个项目中，我们首先研究了基于高斯的隐马尔可夫随机场（HMRF）模型及其期望最大化（EM）算法。 然后我们将其推广到基于高斯混合模型的隐马尔可夫随机场。 该算法在MATLAB中实现。 我们还将此算法应用于彩色图像分割问题和 3D 体积分割问题。

产生式模型和判别式模型（Generative model vs. Discriminative model）,概率图模型（Graphical Models）,朴素贝叶斯分类器（ Naive Bayes Classifier）,隐马尔可夫模型（Hidden Markov Model，HMM）,最大熵模型（Maximum Entropy Model，MEM）,最大熵马尔可夫模型（MEMM）,条件随机场（conditional random fields，CRF）

高斯过程随机场 这是David Moore和Stuart Russell撰写的NIPS 2015论文的代码。 除了通常的依赖项（numpy，scipy，matplotlib）之外，它还取决于： 软件包，其中包含几个距离函数，内核函数及其派生类的C ++实现。 特别是，它实现了地震实验中使用的大圆距离。 万一兼容性在将来某个时候被破坏，可以使用该代码来提交a0aa7ae65a4b9144a499016bbf0ccaf0c611cc0d 。 ，用于与稀疏GP-LVM进行比较。 实验是使用0.6.0版进行的。 可以使用适当的选项运行gprfopt.py来复制论文中的各个合成实验。 例如， python gprfopt.py --n=10000 --seed=0 --yd=50 --lscale=0.06 --obs_std=0.02 --noise_var=0.01 --method=

基于马尔科夫随机场的图像分割算法

基于乔列斯基分解法生成二维相关对数正态分布随机场。

matlab移动平均数代码Random_Field_Generation Matlab代码使用转向带法，矩阵分解，KL展开和移动平均法生成平稳的高斯随机场。

不错的三类工具包，这里分享下，里面有代码，以及我遇到的一些问题说明。