فایل ورد کامل شبیه سازی رویداد های نادر برای میدان تصادفی مارکف با استفاده از رشد دانه در کریستال ها

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل شبیه سازی رویداد های نادر برای میدان تصادفی مارکف با استفاده از رشد دانه در کریستال ها،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۰ صفحه

مدل های تصادفی تصاویر برای برنامه های کاربردی مانند تقسیم بندی (segmentation)، deblurring و بازسازی بسیار مفید هستند. گاهی اوقات مهم است که بتوانیم از یک مدل تصویر تصادفی شبیه سازی یا نمونه برداری انجام دهیم. به عنوان مثال، شبیه سازی می تواند به عنوان یک ابزار بهینه سازی برای جداسازی، deblurring یا بازسازی یک تصویر استفاده شود. همچنین، شبیه سازی تصاویر در درک سیستم کمک میکند (با استفاده از اکتشاف مجازی مدل های سیستم به جای آزمایش های فیزیکی گران و وقت گیر). البته تعداد زیادی روش های مونت کارلو زنجیره مارکوف (MCMC) برای رسم نمونه هایی از مدل تصادفی مارکوف (MRF) وجود دارد. با این حال، این روش تصاویر نمونه ای را نشان می دهد که نمونه های معمول از مدل را نشان می دهند. برای نمونه برداری از تصاویر که با احتمال کمتری ظاهر می شوند، که کم پیش می آید تعداد قابل توجهی از نمونه های مونت کارلو باید با استفاده از MCMC سنتی طراحی شود.

در این مقاله، ما به تئوری انحرافات بزرگ و نمونه برداری اهمیت می دهیم تا روش شبیه سازی رویداد در مواقع خاص را برای MRF ها پیشنهاد دهیم. سپس از علم مواد به منظور اثبات کاربرد روش ما، از یک مساله استفاده می کنیم. به طور خاص، ما به پدیده رشد غیر معمول دانه در مواد پلی کریستالی نگاه می کنیم. با روش پیشنهادی ما، ما به طور مداوم تصاویری را تولید می کنیم که شامل رشد غیر طبیعی دانه هستند، اما این روش برای روش های استاندارد شبیه سازی مونت کارلو چالش بر انگیز است. مهمتر از همه، روش ما می تواند برای شبیه سازی حوادث نادر در یک کلاس گسترده از برنامه های تصویربرداری، یعنی کسانی که از یک مدل MRF استفاده می کنند، استفاده شود.

کلمات کلیدی: نمونه گیری اهمیت | انحرافات بزرگ | فیلد تصادفی مارکوف | توزیع گیبس | رشد غیرطبیعی دانه | مواد پلی کریستالی

عنوان انگلیسی:

RARE EVENT SIMULATION FOR MARKOV RANDOM FIELDS WITH APPLICATION TO GRAIN GROWTH IN CRYSTALS

~~en~~ writers :

Shruthi S: Kubatur and Mary L: Comer

Stochastic models of images are very useful for applications
such as segmentation, deblurring, and reconstruction. Sometimes it is important to be able to simulate, or draw samples
from, a stochastic image model. For example, simulation can
be used as an optimization tool for segmenting, deblurring,
or reconstructing an image. Also, simulation of images that
characterize a system can be helpful in understanding the system, by allowing virtual exploration of models of the system
instead of expensive and time-intensive physical experimentation. There are of course many Markov chain Monte Carlo
(MCMC) methods for drawing samples from the ubiquitous
Markov random field (MRF) image model. However, these
methods draw sample images that represent typical cases of
the model. To sample images that occur with low probability, which represent rare events, a prohibitive number of
Monte Carlo samples would need to be drawn using traditional MCMC.
In this paper, we turn to large deviations theory and importance sampling to propose a rare-event simulation method
for MRFs. We then use an impactful problem from materials science to demonstrate the application of our method.
More specifically, we look at the phenomenon of abnormal
grain growth in polycrystalline materials. With our proposed
method, we consistently generate images containing abnormal grain growth, though this is a very challenging problem
for standard Monte Carlo simulation methods. Importantly,
our method can be used to simulate rare events in a broad
class of imaging applications, namely those that use an MRF
model.

Index Terms: Importance sampling | large deviations | Markov random field | Gibbs distribution | abnormal grain growth | polycrystalline materials.

$$en!!