1) a posteriori distribution density
后验分布密度
2) posterior probability density distribution
后验概率密度分布
3) prior distribution density
先验分布密度
4) posterior density
后验密度
1.
A higher posterior density can be get combining with the real scope by Bayesian and the "non-equivalent".
通过对未来降雨、出流、损失方面的预测及基于预测模型运行过程中不确定性因素的分析,阐述了洪水预报中的不确定性,把贝叶斯的推断过程的真正范畴与"非等效性"概念联系到一起可得到更高的后验密度。
5) Posterior distribution
验后分布
1.
Prior and posterior distribution of SIMU successive test data was set up by the method and the information of pretest,sample and population.
通过Bayes方法,利用先验信息、总体信息和样本信息得到捷联惯组历次测试数据的验前分布和验后分布,将统计推断建立在验后分布基础之上,减小了小样本情况下的统计分析误差。
6) posterior distribution
后验分布
1.
In the computing example of river network composed of nine channels,estimation and posterior distribution of roughness parameters of the channels are computed based on this new BP-Bayesian method.
通过一个9河段组成的河网算例,使用本方法得到各河段糙率的后验分布和估计值,最大误差不超过3%;在测量值出现校准误差时,也能有效给出合理的估计值。
2.
In the novel algorithm,posterior distribution is represented by mixtures of particle sets inside estimation window.
该算法利用估计窗内的混合抽样粒子集描述后验分布,通过对估计窗内具有不同权值的粒子集依据其权值大小进行抽样,并根据当前观测值对抽取的粒子状态进行更新,实现对目标的跟踪。
3.
Based on this,this paper uses posterior distribution theory of Bayesian analysis to obtain posterior distribution calculation mehtod of prior and then to obtain reasonable prior according to posterior distribution of prior in ordr to establish a Bayesian Prior selection method based on prior which is extended from ML-Ⅱ prior.
基于这一观点,利用贝叶斯分析的后验分布理论,先得出先验的后验分布计算方法,再根据先验的后验分布确定出合理的先验,从而建立了一个基于先验的贝叶斯先验选择方法,它是ML-Ⅱ先验的一个拓广。
补充资料：概率分布的密度
概率分布的密度
density of a probability distribution
概率分布的密度【山画勿ofa声加b正ty业州恤心.;n月。T:oeT‘，.TooeT，]，亦称攀半考枣(pro恤b正tydensity) 与绝对连续概率测度相对应的分布函数(distribU-tionft川ction)的导数. 设X是在”维E切土d空间R”(n)l)中取值的随机向量，F是它的分布函数，并设存在一个非负函数f使得 x一工.F(x，，xZ，…，x。)一J…J，(。:，…，。。)“1…du，对一切实数x;，…，、。成立，则称f是X的修率窜摩(probab皿ity de飞ity)，此时对任意BOrel集A cR“有 p万x。A飞=f…ff(。，.·…。_)du一d、. ‘A。任一满足条件 丁…Jf‘xl，一x·，dxl·““一‘的非负可积函数f都是某一随机向量的概率密度. 如果两个取值于R”的分别具有概率密度f和g的随机向量X和Y是独立的，那么随机向量X十Y具有概率密度h，它是f和g的卷积，即h(xl，…，x。)=一丁…丁f(x，一。，，…，x。一u。)。(。，，…，。。)以u，…J、一J…Jf(“，，…，。。)。(x，一，，…，x。一、)汉。，…d。。. 假设X=(戈，…，戈)和Y=(矶，…，气)是分别取值于R”和R用(n，m)l)中且具有概率密度f和夕的随机向量，而z=(戈，…戈，Y.，…，气)是取值于r+川中的随机向量.再若X和y独立，则Z具有概率密度h，称为随机向量X和Y的联合概率密度(joint Pro恤biljty dellsity)，此处h(t:，…，t。十。)=f(tl，…，t。)g(t。+1，…，t。*.)·(l)反之，若Z具有满足(l)的概率密度，则X和Y独立. 具有概率密度f的随机向量X的特征函数中可表示为 毋(tl，…，t。)= 一丁…丁。:‘!1二‘~“·’·，f(xl，一x。，dxl·‘·“x二这里，如果职是绝对可积的，则f是有界连续函数，且 f(x:，“·，x。)=二二头二f二卜一‘:1一‘，…’，(。:，…，:。)d才，…d。· (2二)”几或概率密度f和对应的特征函数价还通过下述关系式(Phnd犯rel埠等术(Phncherel汕mtity))相联系:函数厂是可积的，当且仅当!叫’是可积的，此时有 了…歹fZ(x卫，…，、)dx，…dx。 一典丁了…}’，，(。，，…，:。)一‘tl…己t。
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