1) Bayes revise
贝叶斯修正
2) Bayesian regularization
贝叶斯正则化
1.
The predictive models using Bayesian regularization neural network and grey model are established for the H+ concentration in the HPO, two kinds of model are compared and associated to establish model and to predict.
以某己内酰胺厂磷酸羟胺(HPO)的制备的现场数据为基础,利用贝叶斯正则化神经网络和灰色模型建立了磷酸羟胺中的H+浓度的预测模型;比较了神经网络和灰色模型的差异,并把两者结合起来,建立模型进行预测。
2.
This paper compares the results by standard BP algorithm with that of Bayesian regularization together with LM algorithm.
比较了标准的BP算法和用贝叶斯正则化与Levenberg-Marquardt算法相结合的改进BP网络训练的结果。
3.
The BPNN model of Bayesian regularization method was adopted to create the adaptivity and generalization of BPNN.
基于混沌退火算法和BPNN模型的末敏弹系统效能参数优化,引入贝叶斯正则化方法的BPNN模型,使神经网络具有自适应性和推广能力。
3) Bayes regularization
贝叶斯正则化
1.
The Bayes regularization method is employed to get a well generalized neural networks, the redundant and irrelevant attributes can be deleted from the prime attributes set by pruning the input node of the networks.
采用贝叶斯正则化方法训练 ,以得到推广性优良的神经网络 ,并提出启发性的遗传算法。
2.
This paper establishes dynamic forward feedback correction model with the method of combining Bayes regularization and BP neural network.
文中采用贝叶斯正则化与BP网络结合的方法,建立动态前馈校正模型。
3.
Based on nonlinear prediction ideas of reconstructing phase space, this paper presents a time delay BP neural network model, whose generalization is improved utilizing Bayes regularization.
基于相空间重构的非线性预报思想,建立一个时滞的BP神经网络模型,采用贝叶斯正则化方法提高BP网络的泛化能力。
4) bayesian-regularization
贝叶斯正规化
1.
Application of Bayesian-regularization BP neural network in the prediction of hospital beds;
贝叶斯正规化BP神经网络在我国医院床位预测中的应用
2.
Study the Bayesian-regularization BP Neural Network Model of Bacillary Dysentery
基于贝叶斯正规化BP神经网络模型对菌痢发病的预测研究
5) bayesian calibration
贝叶斯校正算法
6) Bayesian regularization
贝叶斯正规化
1.
Bayesian regularization in combination with Levenberg-Marquardt algorithm has been applied to achieving faster learning speed and well-generalized neural network.
将贝叶斯正规化方法与Levenberg-Marquardt优化算法相结合,提高了神经网络训练的效率和推广能力。
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