概率图模型之马尔科夫模型浅析

注：由于在CSDN中画图和输入公式非常麻烦，所以我选择了手写后拍照截图来表示，可能稍有模糊，请各位看官多担待。
下面开始正文叙述：
马尔科夫随机场（Markov Random Field，MRF）是典型的马尔科夫网，这是一种著名的无向图模型。图中每个节点表示一个或一组变量，节点之间的边表示两个变量之间的依赖关系。马尔科夫随机场有一组势函数，也成为“因子”，这是定义在变量子集上的非负实数函数，主要用于定义概率分布函数。
下图给出了一个典型的马尔科夫随机场：

图一

一、团和极大团

对于图中节点的一个子集，若其中任意两节点都有边连接，则称该节点子集为一个“团”。若在一个团中任意加入另外任何一个节点都不再形成“团”，则称该团委“极大团”。
例如，上图中{x₁, x₂} ,{x₁, x₃}, {x₂,x₄}, {x₂， x₅}, {x₂, x₆}, {x₃, x₆}, {x₅, x₆}, 和{x₂,x₅,x₆}都是团，并且除了 {x₂， x₅}, {x₂, x₆}，{x_5</