1.MCMC方法主要是为了解决有些baysian推断中参数期望E(f(v)|D)不能直接计算得到的问题的. 其中v是要估计的参数,D是数据观察值2. Markov chain monte carlo概念包.

http://www.serverlw/news7/lixue.asp?path=37359 上面有去看看那吧

如果一个马尔科夫链满足 细致平稳条件,则其一定是收敛的,也就是会达到上述的平稳分布.注意:细致平稳条件只是马尔科夫链收敛的充分条件,不是必要条件.细致平稳条件:,也就是从状态 转移到状态 的数量和从状态 转移到状态 的数量相一致,也就相互抵消,所以数量不发生改变.

高斯过程将多元高斯分布扩展到无限维度.任意数据集中n个观测量,y={y_{1},..,y_{n}}y=y1,..,yn都可以理解成从某个多元高斯分布中抽取的一个样本.高斯过程最重要的应用是解决回归问题.假设训练集数据为y,新数据为y*,那么我们可以根据高斯过程的性质估计新数据的分布.例子:假设我们有下图的历史数据:我们要估计新的数据点x*=0.2的分布.根据上述过程,我们首先有6个观测值y,分别是:从误差线得知\sigma_{n}=0.3,那么根据协方差公式,我们有:根据高斯过程的条件概率公式,我们可以计算出新观测点的均值与方差分别是0.95与0.21.即服从N(0.95,0.21)的高斯分布.

Prim算法:是图的最小生成树的一种构造算法. 假设 WN=(V,{E}) 是一个含有 n 个顶点的连通网,TV 是 WN 上最小生成树中顶点的集合,TE 是最小生成树中边的集合.显然,在算法执行结束时,TV=V,而 TE 是 E 的一个子集.在算法开始执行时,TE 为空集,TV 中只有一个顶点,因此,按普里姆算法构造最小生成树的过程为:在所有“其一个顶点已经落在生成树上,而另一个顶点尚未落在生成树上”的边中取一条权值为最小的边,逐条加在生成树上,直至生成树中含有 n-1条边为止.如果看不懂还可以找一本数据结构的书看,这个算法挺简单的.btw:其实你有空问,应该有空百度啊~百度百科就有了.懒得写,我还是直接从百度copy过来的~

构造最小生成树用的,使用贪心策 略.prime算法的基本思想1.清空生成树,任取一个顶点加入 生成树2.在那些一个端点在生成树里,另 一个端点不在生成树里的边中,选 取一条权最小的边,将它和另一个 端点加进生成树3.重复步骤2,直到所有的顶点都 进入了生成树为止,此时的生成树 就是最小生成树

MATLAB中只有矩阵和cell,如果是想要在matlab里实现 要取出第r行、第c列的矩阵元素用:A(r,c) 要取出第r行、第c列的cell成员用:A{r,c}

对于几条链、初始值的确定都没有明确的标准.文献中看到的多条链,一般为5条.初始值可以根据经验,文献,专家意见确定,如果这些都没有的话,可以先迭代N次,然后以得到的后验样本的均数为初始值.对于多水平模型的初始值,可以用单水平的参数估计值代替.当然可以增加退火次数,退火可消除初始值对后验分布的影响.希望对你有帮助!

百度这段时间以来都是这样的,我的有些权重很高的站,快照也有回档,建议每天增加原创文章,这样快照会更新的快.对网站原创性的看重,这个也是百度新算法比较重要的改变.百度现在对伪原创也非常的不喜欢了

%By Shelley from NCUT,April 14th 2011%Email:just_for_h264@163%此程序利用贝叶斯分类算法,首先对两类样本进行训练,%进而可在屏幕上任意取点,程序可输.