合稀疏贝叶斯学习(SBL)和可压缩传感理论(CS)，给出一种在噪声测量条件下重建可压缩图像的方法。该方法将cS理论中图像重建过程看作一个线性回归问题，而待重建的图像是该回归模型巾的未知权值参数；利用sBL方法对权值赋予确定的先验条件概率分布用以限制模型的复杂度，并引入超参数- Hop sparse Bayesian learning ( SBL ) and compressible sensing theory ( CS ) , give a compressible image recon

一种HMM可以呈现为最简单的动态贝叶斯网络。隐马尔可夫模型背后的数学是由LEBaum和他的同事开发的。它与早期由RuslanL.Stratonovich提出的最优非线性滤波问题息息相关，他是第一个提出前后过程这个概念的。 在简单的马尔可夫模型（如马尔可夫链），所述状态是直接可见的观察者，因此状态转移概率是唯一的参数。在隐马尔可夫模型中，状态是不直接可见的，但输出依赖于该状态下，是可见的。每个状态通过可能的输出记号有了可能的概率分布。因此，通过一个HMM产生标记序列提供了有关状态的一些序