1) Sparse Bayesian
稀疏贝叶斯
1.
Based on Relevance Vector Machine, Sparse Bayesian, a kind of kernel method, which has the advantages such as its kernel functions without the restriction of Mercer condition, the relevance vectors automatically determinated, and smaller kernel functions, the smoothness priors restriction on Relevance Vector Machine (RVM) is suggested.
基于具有核函数不用满足Mercer条件、相关向量自动确定及核函数少特点的稀疏贝叶斯的相关向量机核学习方法,提出了平滑先验条件约束的相关向量机的学习方法,采用稀疏贝叶斯模型的最大边缘似然算法加快了求解相关向量机的向量,并采取交叉验证法确定其核参数提高了相关向量机辨识的泛化性。
3) Bayes sparse inversion
贝叶斯稀疏反演
1.
Starting from Bayes sparse inversion theory, the paper adopted modified Cauchy criterion to build up reflectivity sparse constraint and carry out seismic blind deconvolution processing in combination with math frame of seismic blind deconvolution presented by Mr.
文中从贝叶斯稀疏反演理论出发,结合Canadas提出的地震盲反褶积数学框架,采用修正的柯西准则建立反射系数稀疏约束进行地震盲反褶积处理,不仅能较好地恢复反射系数序列的稀疏性,同时能在提高地震资料的分辨率和减小对弱反射信息的压制之间达到一个平衡,并采用松弛交替迭代求解方案同时求取反射系数和混合相位的地震子波。
4) SBL(sparse Bayesian learning)
SBL(稀疏贝叶斯学习)
5) Bayes
贝叶斯
1.
Range profile-based radar target recognition using discretized Bayes classifying algorithm;
离散贝叶斯分类算法雷达目标一维距离像识别
2.
Study on spam email treatment model based on Bayesian method;
基于贝叶斯方法的垃圾邮件处理模型研究
3.
The Application of Support Vector Machines Within Bayesian Evidence Framework to Drift Prediction of Gyro;
贝叶斯证据框架下的支持向量机及其在陀螺漂移预测中的应用
6) Bayesian
贝叶斯
1.
Resolution of the Evolutionary Rel ationship of Papillomaviruses Using Bayesian Phylogenetics;
贝叶斯推论重建乳头瘤病毒的进化系统
2.
Bayesian Linear Calibrated Prediction Approach in Warhead Virtual Experiment;
战斗部虚拟试验贝叶斯线性校准预测方法
3.
People detection under Bayesian framework;
贝叶斯框架下的人的检测
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