mp置信度傳播演算法

A. 置信度 演算法

置信度就是用一種方法構造一百個區間如果有95個區間包含總體真值，就說置信度為95%（包含總體真值的區間占總區間的95%)。

E:樣本均值的標准差乘以z值，即總的誤差。P：目標總體占總體的比例。(比如：一個班級中男生占所有學生的30%。則p=30%)。

樣本量從總體中抽取的樣本元素的總個數。樣本量的計算公式為： N=Z 2 ×(P ×(1-P))/E 2，其中，Z為置信區間、n為樣本容量、d為抽樣誤差范圍、σ為標准差，一般取0.5。

拓展資料

置信區間是指由樣本統計量所構造的總體參數的估計區間。在統計學中，一個概率樣本的置信區間（Confidence interval）是對這個樣本的某個總體參數的區間估計。置信區間展現的是這個參數的真實值有一定概率落在測量結果的周圍的程度。置信區間給出的是被測量參數的測量值的可信程度，即前面所要求的「一定概率」。

這個概率被稱為置信水平。舉例來說，如果在一次大選中某人的支持率為55%，而置信水平0.95上的置信區間是（50%,60%），那麼他的真實支持率有百分之九十五的機率落在百分之五十和百分之六十之間，因此他的真實支持率不足一半的可能性小於百分之2.5。

如例子中一樣，置信水平一般用百分比表示，因此置信水平0.95上的置信空間也可以表達為：95%置信區間。置信區間的兩端被稱為置信極限。對一個給定情形的估計來說，置信水平越高，所對應的置信區間就會越大。

B. 置信傳播解碼演算法和高斯消源解碼演算法的區別

置信傳播（BP）一類中有：概率BP，LLR BP，APP-Based，UMP BP-Based等演算法； 比特翻轉（BF）一類中有：KLF加權比特翻轉，LP加權比特翻轉，IMWBF，RRWBF等演算法。

C. 哪種立體匹配演算法不是全局匹配演算法

SSD不是全局匹配演算法，其他都是。

選項中的 4 個詞語的意思如下：

A. 動態規劃：動態規劃（英語：Dynamic programming，簡稱 DP）是一種在數學、計算機科學和經濟學中使用的，通過把原問題分解為相對簡單的子問題的方式求解復雜問題的方法。

B. 圖割：是「圖像分割」（Segmentation）的簡稱。在計算機視覺領域，圖像分割指的是將數字圖像細分為多個圖像子區域（像素的集合）（也被稱作超像素）的過程。圖像分割的目的是簡化或改變圖像的表示形式，使得圖像更容易理解和分析。圖像分割通常用於定點陣圖像中的物體和邊界（線，曲線等）。更精確的，圖像分割是對圖像中的每個像素加標簽的一個過程，這一過程使得具有相同標簽的像素具有某種共同視覺特性。圖像分割的結果是圖像上子區域的集合（這些子區域的全體覆蓋了整個圖像），或是從圖像中提取的輪廓線的集合（例如邊緣檢測）。一個子區域中的每個像素在某種特性的度量下或是由計算得出的特性都是相似的，例如顏色、亮度、紋理。鄰接區域在某種特性的度量下有很大的不同。

C. BP：反向傳播演算法（英語：Backpropagation algorithm，簡稱：BP演算法）是一種監督學習演算法，常被用來訓練多層感知機。 於 1974 年，Paul Werbos 首次給出了如何訓練一般網路的學習演算法，而人工神經網路只是其中的特例。不巧的，在當時整個人工神經網路社群中卻無人知曉 Paul 所提出的學習演算法。直到 80 年代中期，BP演算法才重新被 David Rumelhart、Geoffrey Hinton 及 Ronald Williams、David Parker 和 Yann LeCun 獨立發現，並獲得了廣泛的注意，引起了人工神經網路領域研究的第二次熱潮。BP演算法是對於多層的前向神經網路 Delta 規則的一般化，使用鏈式法則來迭代的計算每一層的梯度成為可能。BP演算法要求每個人工神經元（節點）所使用的激勵函數必須是可微的。

D. SSD：固態硬碟（Solid State Disk、Solid State Drive，簡稱 SSD）是一種以存儲器作為永久性存儲器的電腦存儲設備。雖然 SSD 已不是使用「碟」來記存數據，而是使用 NAND Flash，也沒有用來驅動（Drive）旋轉的馬達，但是人們依照命名習慣，仍然稱為固態硬碟（Solid-State Disk）或固態驅動器（Solid-State Drive）。也有翻譯為「固存」（「固態存儲器」的簡稱）。

D. degrees of belief在統計學中是什麼意思

語法TDIST(x,degrees_freedom,tails)X為需要計算分布的數字.Degrees_freedom為表示自由度的整數.Tails指明返回的分布函數是單尾分布還是雙尾分布.如果tails=1,函數TDIST返回單尾分布.如果tails=2,函數TDIST返回雙尾分布.說明如果任一參數為非數值型,函數TDIST返回錯誤值#VALUE!.如果degrees_freedomx),其中X為服從t分布的隨機變數.如果tails=2,TDIST的計算公式為TDIST=P(|X|>x)=P(X>xorX-x)和TDIST(-x,df,2)=TDIST(xdf,2)=P(|X|>x).示例如果您將示例復制到空白工作表中,可能會更易於理解該示例.操作方法創建空白工作簿或工作表.請在「幫助」主題中選取示例.不要選取行或列標題.從幫助中選取示例.按Ctrl+C.在工作表中,選中單元格A1,再按Ctrl+V.若要在查看結果和查看返回結果的公式之間切換,請按Ctrl+`（重音符）,或在「工具」菜單上,指向「公式審核」,再單擊「公式審核模式」.123AB數據說明1.96為需要計算分布的數值60自由度公式說明（結果）=TDIST(A2,A3,2)雙尾分布（0.054644927或5.46%）=TDIST(A2,A3,1)單尾分布（0.027322463或2.73%）注釋若要以百分比的形式顯示數字,請選擇單元格並在「格式」菜單上單擊「單元格」,再單擊「數字」選項卡,然後單擊「分類」框中的「百分比」.

E. SPSS modeler關聯規則apriori里支持度和置信度的值設置為多少比較好

置信度、支持度、提升度是評價關聯規則的三個重要指標。

樣本100，條件A=》結果B，A：60，B40，同時發生A和B：30

則：

條件支持度=P(A)=條件A60/樣本100=0.6

結果支持度=P(B)=結果B40/樣本100=0.4(在sas中稱為預期置信度)

規則支持度=P(A&B)=30/100=0.3

規則置信度=P(B|A)=P(A&B)/P(A)=30/60=0.5,即同時發生的記錄數除以樣本數，

提升度=P(B|A)/P(B)=0.5/0.4=1.25

，注意不要混淆了條件支持度和規則支持度，網文好多隻說支持度，實際上有的指的條件支持度、有的值規則支持度，我今天搞了一早上才恍然大悟，效率低啊，自我鄙視一下。

在spss的apriori的運行結果中還有部署能力的概念，觀察了一下，發現：部署能力=條件支持度-規則支持度，就是說還有多少人有發展空間，比如有10人，符合條件的有7人，同時如何條件和結果的有4人，那部署能力就是7-4=3人了。

二、演算法

關聯分析基本就是Apriori演算法，沒用過其他的。

apriori演算法的具體實現就不說，暫時我也說不清楚，我只追求會用，不求甚解，只知道大概步驟就是：1、根據設置的條件支持度找出頻繁項集；2、分析找出來的這些頻繁項集，得出規則；3、找出大於或等於給定置信度的規則。

一般各個dm軟體跑apriori演算法的時候都需要設置：最小條件支持度，最小規則置信度，有的還需要設置最大前項數，spss的modeler就需要設置這三個。

F. 基於特徵的影像匹配演算法有哪些

基於局部約束的方法：有區域匹配（主要是基於窗口）、特徵匹配（基於特徵點，如SIFT）、相位匹配（主要用濾波來做）。
基於全局約束的方法：主要有動態規劃演算法、圖割演算法、人工智慧演算法、協同演算法、置信度傳播演算法、非線性擴散演算法等。
那個發展史就找兩本攝影測量的書或下幾篇論文看看就知道了