Байесовский метод

Cтраница 1

Байесовский метод в статистике рассматривает вторую неопределенность также с позиций теории вероятностей. [1]

Асимптотический байесовский метод предполагает выделение некоторого неограниченно возрастающего параметра, относительно которого строится асимптотический алгоритм. [2]

Байесовский метод обучения, сущность которого заключается в подстройке весов и смещений сети на основе алгоритма Левенберга-Марквардта. Эта процедура известна как Байесовская регуляризация, откуда следует название метода. [3]

В субъективном байесовском методе связи И, ИЛИ ( рис. 3.2, а, б) специально не оговариваются, а каждый член в условии ( предпосылке) ПП представляют минимальным или максимальным значением байесовской вероятности. [4]

Здесь начинают проявляться достоинства байесовского метода. [5]

Функция апостериорном ке-роятностп ппютечы при докачатсльст-не с ненадежными данными. [6]

Таким образом, сущность субъективного байесовского метода состоит в том, что при выводах в случае ненадежных доказательств можно использовать следующие правила. [7]

Для нашего случая подходит асимптотический вариант байесовского метода, который позволяет синтезировать асимптотические байесовские алгоритмы, независящие от априорного распределения неизвестного параметра и асимптотически оптимальные при практически любой форме этого распределения. [8]

КОМБ предложены метод с использованием КУ и субъективный байесовский метод. [9]

На основе Li-подхода, принципа инвариантности и байесовского метода разработана методика синтеза АОИ-алгоритмов обнаружения и различения детерминированных сигналов и сигналов со случайными параметрами на фоне помех. Алгоритмы, построенные с применением данной методики, имеют высокую эффективность и большую степень устойчивости в условиях параметрической априорной неопределенности. Устойчивость алгоритмов выражается в инвариантности их характеристик относительно параметра масштаба, параметров сдвига ( параметров сигналоподобной помехи) и в практической независимости этих характеристик от априорного распределения параметров сигналов. [10]

Выбор априорного распределения является принципиальным моментом в байесовском методе. Примеры, подобные приведенному выше, когда распределение Q устанавливается на основе частотных соображений по результатам прошлых наблюдений за явлением, весьма немногочисленны. В теории разработаны различные подходы к этой проблеме. Мы не будем здесь останавливаться на этом вопросе, отметим лишь, что, несмотря на различие методологий частотного и байесовского методов в статистике, в конечном счете они приводят к сопоставимым статистическим процедурам. [11]

В данной статье исследуется возможность применения для комплексной оценки качества байесовского метода определения апостериорных вероятностей гипотез. [12]

Кроме того, на основе Li-подхода и принципа инвариантности ( без использования байесовского метода) разработана методика синтеза АИО-алгоритмов, характеристики которых асимптотически инвариантны относительно неизвестных параметров сигналов. Для синтеза АИО-алгоритмов требуется симметричность семейства распределений асимптотически достаточных статистик относительно определенной группы преобразований. [13]

Там же приведены и другие примеры синтеза алгоритмов при совместном использовании принципа инвариантности и байесовского метода. [14]

БАЙЕСОВСКАЯ РЕШАЮЩАЯ ФУНКЦИЯ - функция, указывающая решение для каждого значения наблюдаемой случайной величины и являющаяся в соответствии с байесовским методом оптимальным решением статистической задачи о минимуме среднего риска. [15]

Страницы: 1 2 3