mp置信度传播算法

A. 置信度 算法

置信度就是用一种方法构造一百个区间如果有95个区间包含总体真值，就说置信度为95%（包含总体真值的区间占总区间的95%)。

E:样本均值的标准差乘以z值，即总的误差。P：目标总体占总体的比例。(比如：一个班级中男生占所有学生的30%。则p=30%)。

样本量从总体中抽取的样本元素的总个数。样本量的计算公式为： N=Z 2 ×(P ×(1-P))/E 2，其中，Z为置信区间、n为样本容量、d为抽样误差范围、σ为标准差，一般取0.5。

拓展资料

置信区间是指由样本统计量所构造的总体参数的估计区间。在统计学中，一个概率样本的置信区间（Confidence interval）是对这个样本的某个总体参数的区间估计。置信区间展现的是这个参数的真实值有一定概率落在测量结果的周围的程度。置信区间给出的是被测量参数的测量值的可信程度，即前面所要求的“一定概率”。

这个概率被称为置信水平。举例来说，如果在一次大选中某人的支持率为55%，而置信水平0.95上的置信区间是（50%,60%），那么他的真实支持率有百分之九十五的机率落在百分之五十和百分之六十之间，因此他的真实支持率不足一半的可能性小于百分之2.5。

如例子中一样，置信水平一般用百分比表示，因此置信水平0.95上的置信空间也可以表达为：95%置信区间。置信区间的两端被称为置信极限。对一个给定情形的估计来说，置信水平越高，所对应的置信区间就会越大。

B. 置信传播译码算法和高斯消源译码算法的区别

置信传播（BP）一类中有：概率BP，LLR BP，APP-Based，UMP BP-Based等算法； 比特翻转（BF）一类中有：KLF加权比特翻转，LP加权比特翻转，IMWBF，RRWBF等算法。

C. 哪种立体匹配算法不是全局匹配算法

SSD不是全局匹配算法，其他都是。

选项中的 4 个词语的意思如下：

A. 动态规划：动态规划（英语：Dynamic programming，简称 DP）是一种在数学、计算机科学和经济学中使用的，通过把原问题分解为相对简单的子问题的方式求解复杂问题的方法。

B. 图割：是“图像分割”（Segmentation）的简称。在计算机视觉领域，图像分割指的是将数字图像细分为多个图像子区域（像素的集合）（也被称作超像素）的过程。图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。图像分割通常用于定位图像中的物体和边界（线，曲线等）。更精确的，图像分割是对图像中的每个像素加标签的一个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。图像分割的结果是图像上子区域的集合（这些子区域的全体覆盖了整个图像），或是从图像中提取的轮廓线的集合（例如边缘检测）。一个子区域中的每个像素在某种特性的度量下或是由计算得出的特性都是相似的，例如颜色、亮度、纹理。邻接区域在某种特性的度量下有很大的不同。

C. BP：反向传播算法（英语：Backpropagation algorithm，简称：BP算法）是一种监督学习算法，常被用来训练多层感知机。 于 1974 年，Paul Werbos 首次给出了如何训练一般网络的学习算法，而人工神经网络只是其中的特例。不巧的，在当时整个人工神经网络社群中却无人知晓 Paul 所提出的学习算法。直到 80 年代中期，BP算法才重新被 David Rumelhart、Geoffrey Hinton 及 Ronald Williams、David Parker 和 Yann LeCun 独立发现，并获得了广泛的注意，引起了人工神经网络领域研究的第二次热潮。BP算法是对于多层的前向神经网络 Delta 规则的一般化，使用链式法则来迭代的计算每一层的梯度成为可能。BP算法要求每个人工神经元（节点）所使用的激励函数必须是可微的。

D. SSD：固态硬盘（Solid State Disk、Solid State Drive，简称 SSD）是一种以存储器作为永久性存储器的电脑存储设备。虽然 SSD 已不是使用“碟”来记存数据，而是使用 NAND Flash，也没有用来驱动（Drive）旋转的马达，但是人们依照命名习惯，仍然称为固态硬盘（Solid-State Disk）或固态驱动器（Solid-State Drive）。也有翻译为“固存”（“固态存储器”的简称）。

D. degrees of belief在统计学中是什么意思

语法TDIST(x,degrees_freedom,tails)X为需要计算分布的数字.Degrees_freedom为表示自由度的整数.Tails指明返回的分布函数是单尾分布还是双尾分布.如果tails=1,函数TDIST返回单尾分布.如果tails=2,函数TDIST返回双尾分布.说明如果任一参数为非数值型,函数TDIST返回错误值#VALUE!.如果degrees_freedomx),其中X为服从t分布的随机变量.如果tails=2,TDIST的计算公式为TDIST=P(|X|>x)=P(X>xorX-x)和TDIST(-x,df,2)=TDIST(xdf,2)=P(|X|>x).示例如果您将示例复制到空白工作表中,可能会更易于理解该示例.操作方法创建空白工作簿或工作表.请在“帮助”主题中选取示例.不要选取行或列标题.从帮助中选取示例.按Ctrl+C.在工作表中,选中单元格A1,再按Ctrl+V.若要在查看结果和查看返回结果的公式之间切换,请按Ctrl+`（重音符）,或在“工具”菜单上,指向“公式审核”,再单击“公式审核模式”.123AB数据说明1.96为需要计算分布的数值60自由度公式说明（结果）=TDIST(A2,A3,2)双尾分布（0.054644927或5.46%）=TDIST(A2,A3,1)单尾分布（0.027322463或2.73%）注释若要以百分比的形式显示数字,请选择单元格并在“格式”菜单上单击“单元格”,再单击“数字”选项卡,然后单击“分类”框中的“百分比”.

E. SPSS modeler关联规则apriori里支持度和置信度的值设置为多少比较好

置信度、支持度、提升度是评价关联规则的三个重要指标。

样本100，条件A=》结果B，A：60，B40，同时发生A和B：30

则：

条件支持度=P(A)=条件A60/样本100=0.6

结果支持度=P(B)=结果B40/样本100=0.4(在sas中称为预期置信度)

规则支持度=P(A&B)=30/100=0.3

规则置信度=P(B|A)=P(A&B)/P(A)=30/60=0.5,即同时发生的记录数除以样本数，

提升度=P(B|A)/P(B)=0.5/0.4=1.25

，注意不要混淆了条件支持度和规则支持度，网文好多只说支持度，实际上有的指的条件支持度、有的值规则支持度，我今天搞了一早上才恍然大悟，效率低啊，自我鄙视一下。

在spss的apriori的运行结果中还有部署能力的概念，观察了一下，发现：部署能力=条件支持度-规则支持度，就是说还有多少人有发展空间，比如有10人，符合条件的有7人，同时如何条件和结果的有4人，那部署能力就是7-4=3人了。

二、算法

关联分析基本就是Apriori算法，没用过其他的。

apriori算法的具体实现就不说，暂时我也说不清楚，我只追求会用，不求甚解，只知道大概步骤就是：1、根据设置的条件支持度找出频繁项集；2、分析找出来的这些频繁项集，得出规则；3、找出大于或等于给定置信度的规则。

一般各个dm软件跑apriori算法的时候都需要设置：最小条件支持度，最小规则置信度，有的还需要设置最大前项数，spss的modeler就需要设置这三个。

F. 基于特征的影像匹配算法有哪些

基于局部约束的方法：有区域匹配（主要是基于窗口）、特征匹配（基于特征点，如SIFT）、相位匹配（主要用滤波来做）。
基于全局约束的方法：主要有动态规划算法、图割算法、人工智能算法、协同算法、置信度传播算法、非线性扩散算法等。
那个发展史就找两本摄影测量的书或下几篇论文看看就知道了