基于贝叶斯网络模型的遥感数据推理和描述技术.docxVIP

基于贝叶斯网络模型的遥感数据推理和描述技术 1 基于概率模型的bnp 在遥感成像中，我们通常应该看到错误的数据和信息。组织描述和应用演示是获取信息和信息提取的重要课题。作为一种信息推理技术,贝叶斯网络模型(Bayesian Network Model,BNM)可以很好地解决这个问题。BNM也被称为条件概率网络模型(Conditional Probability Network Model,CPNM)或者原因概率网络模型(Reason Probability Network Model,RPNM)。BNM是一个图形模型,该模型提供了描述变量之间概率关系的一种方式;同时,在条件独立假设和局部概率分布的前提下,描述了变量之间的联合概率分布。这种模型的好处在于使用图形结构描述输入属性之间相互关联的方式。这样,BNM可以被用于非同源遥感数据,合并不同的先验知识和数据信息。 BNM是近年来研究贝叶斯统计方法的新进展,是一种新的推理技术,是图论和概率论结合所产生的一种信息描述方法。BNM主要用于复杂多因果关系的分析,它使用概率理论来处理在描述不同知识成分之间的条件相关而产生的不确定性。 BNM说明了联合条件分布,允许在变量的子集之间定义类条件独立性。它提供了一种因果关系图形,可以在其上学习并根据学习结果进行分类推理设置预测。它克服了朴素贝叶斯方法无法定义变量之间的依赖关系的弱点。BNM既是一种