1) Bayesian Dynamic Model
贝叶斯动态模型
1.
Study on Calibration of SIMS Error Coefficients with Bayesian Dynamic Model;
基于贝叶斯动态模型的惯组误差系数标定方法研究
2.
Research on Bayesian Dynamic Model and Forecasting Algorithm in Data Mining Application;
贝叶斯动态模型及其预测算法在数据挖掘中的应用研究
2) Bayesian dynamic models
贝叶斯动态模型
1.
The Simulation of Bayesian Dynamic Models;
贝叶斯动态模型的模拟处理
3) Bayesian dynamic forecasting model
贝叶斯动态预测模型
4) nonlinear Bayesian dynamic models
非线性贝叶斯动态模型
1.
Study on Several Inssues of the Nonlinear Bayesian Dynamic Models;
非线性贝叶斯动态模型若干问题的研究
2.
The paper reports a new method to deal with nonlinear Bayesian dynamic models by using NTM method,and gives the recursive formulation and the number character of the variables.
将NTM方法应用于非线性贝叶斯动态模型,给出了它的递推公式以及随机变量的数字特征的计算,与蒙特卡洛方法相比提高了效率和精度。
5) Bayesian dynamic linear model
贝叶斯动态线性模型
1.
This paper gives combinatorial forecast of Bayesian dynamic linear model in which its weight is decided according to their forecast precision.
本文给出的是根据模型的预测精度确定权的贝叶斯动态线性模型的组合预测 ,它的预测精度比取算术平均值的预测精度
2.
The main purpose of this paper is to present a method for detemining the parameter Wt of Bayesian dynamic linear models (BDLM) regarding as exponential-weighted regression (E.
）给出一种确定贝叶斯动态线性模型（ＢＤＬＭ）参数Ｗｔ的方法。
6) Bayes dynamic linear model
贝叶斯动态线性模型
1.
Bayes dynamic linear models(abbreviated as Bayes DLM) is a special of forecasting method, which can forecast the status of index, on the basis of dynamic equations and a priori information, through a set of recurrent modification equations.
贝叶斯动态线性模型（简称为ＢａｙｅｓＤＬＭ）是一种特殊的预测方法，它以一个动态方程组和先验信息为基础，通过一组递推修正方程预测指标的变化情况。
补充资料：贝叶斯公式
贝叶斯公式为利用搜集到的信息对原有判断进行修正提供了有效手段。在采样之前，经济主体对各种假设有一个判断（先验概率），设为，{}。
关于先验概率的分布，通常可根据经济主体的经验判断确定(当无任何信息时，一般假设各先验概率相同)，较复杂精确的可利用包括最大熵技术或边际分布密度以及相互信息原理等方法来确定先验概率分布。
当采样得到样本值后，当事人对各假设的判断(后验概率)为
关于先验概率的分布，通常可根据经济主体的经验判断确定(当无任何信息时，一般假设各先验概率相同)，较复杂精确的可利用包括最大熵技术或边际分布密度以及相互信息原理等方法来确定先验概率分布。
当采样得到样本值后，当事人对各假设的判断(后验概率)为
，= 1， 2， %26#8230;， (5.5)
在实际经济生活中，信息搜寻工作不是一次就完成的。当信息搜寻进行到某一阶段，设已进行了 次采样( =1，2，%26#8230;)，此时经济主体对各假设的后验概率的认识为
=1， 2， %26#8230;， (5.6)
其中，表示在第次采样前对假设的判断，当 =1时即表示第一次采样前的先验概率，从而式(5.5)变成式(5.6)的一个特例，即，将其记为。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条