1) Bayesian estimation of parameters
参数的贝叶斯估计
2) Bayesian parameter estimation theory
贝叶斯参数估计理论
1.
A new prestack three-term simultaneous inversion method was developed on the linearized approximation of the Zoeppritz equation and Bayesian parameter estimation theory.
该方法基于Zoeppritz近似方程和贝叶斯参数估计理论,用协方差矩阵来描述参数间的相关程度,然后用参数间的岩石物理关系对反演结果进行约束,从而得到稳定、准确、可靠的解。
3) bayes estimation
贝叶斯估计
1.
A Stochastic Temporal Reasoning Method Based on Bayes Estimation in Situation Assessment;
态势估计中一种基于贝叶斯估计的统计时间推理方法
2.
Denoising method based on GHM multiwavelets and Bayes estimation;
基于GHM多小波和贝叶斯估计的图像去噪算法
3.
Based on the prior distribution of MTBF and MTTR, using the Bayes formula to acquire their posterior distribution, consequent, the value of MTBF and MTTR is acquired by Bayes estimation, and it is more actual in the field.
在计算网络的有效性时,MTBF和MTTR值是非常重要的参数,针对目前MTBF和MTTR的值主要是由设备厂商提供的,并且获得这些参数时有一定的困难,提出应用贝叶斯估计对网络部件的MTBF和MTTR进行求解,依据MTBF和MTTR的先验分布,利用贝叶斯公式求出它们的后验分布,然后利用贝叶斯估计得到MTBF和MTTR的估计值,在现场运用中更加实际。
4) Bayesian estimation
贝叶斯估计
1.
Adaptive SAR image filtering based on wavelets and Bayesian estimation;
基于贝叶斯估计的非平稳SAR图像自适应小波滤波
2.
Algorithm for probabilistic link selection in wireless sensor networks using Bayesian estimation
基于贝叶斯估计的无线传感器网络链路选择算法
3.
Stationary wavelet denoising based on bayesian estimation
基于贝叶斯估计的平稳小波去噪
5) Bayes estimate
贝叶斯估计
1.
This paper presents a new kind of premium estimate,called New-Bayes premium,which is based on Credibility premium and the relationship between Bayes estimate and Maximum likelihood estimate.
本文基于信度保费的思想,以及贝叶斯估计与极大似然估计的联系,通过把贝叶斯估计限定在极大似然估计的线性组合中得到一种新的保费估计,称为新贝叶斯保费。
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