模式识别就是通过计算机用数学技术方法来研究模式的自动处理和判读，把环境与客体统称为“模式”。随着计算机技术的发展，人类有可能研究复杂的信息处理过程，其过程的一个重要形式是生命体对环境及客体的识别。模式识别以图像处理与计算机视觉、语音语言信息处理、脑网络组、类脑智能等为主要研究方向，研究人类模式识别的机理以及有效的计算方法。

This book is perfect to get you started with probabilistic graphical models (PGM) with Python. It starts with a quick intro to Bayesian and Markov Networks covering concepts like conditional independence and D-separation. It then covers the different aspects of PGM: structure learning, parameter estimation (with frequentist or Bayesian approach) and inference. All is illustrated with examples and code snippets using mostly the libpgm package. PyMC is used for Bayesian parameter estimation.

Machine Learning and Graphical Models 王立威 北京大学 信息科学技术学院 Machine Learning Graphical Models Classical Machine Learning Algorithms

Probabilistic Graphical Models Principles and Techniques。pdf，英文，高清。

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。

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

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

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

Learning Probabilistic Graphical Models in R 英文版Learning Probabilistic Graphical Models in R 英文版Learning Probabilistic Graphical Models in R 英文版Learning Probabilistic Graphical Models in R 英文版

为了解决传统PRM算法在处理窄通道问题时的缺陷，提出了一种改进的PRM算法。通过在规划环境中引入人工势场，对落在威胁体内的点施加势场力，使之移动到自由空间内，从而增加窄通道内的节点数量，在不增加采样次数的情况下完成路线图的构建。仿真结果表明，改进PRM算法提高了采样点的利用率，缩短了存在窄通道环境中的路径构建时间，在突发威胁时能快速完成路径生成。