1) Geometrical bayesian estimation
几何贝叶斯估计
2) 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。
3) 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
4) 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。
6) Bayesian estimator
贝叶斯估计
1.
We design a Bayesian estimator to estimate the true image formthe noisy image in wavelet domain.
该文采用α稳定分布来对图像小波域系数进行建模,并采用贝叶斯估计来对无噪图像进行估计。
2.
Using Bayesian estimator is to get the actual coefficients.
该算法根据 SAR图像小波系数分布的特点 ,采用高斯混合模型对其进行精确拟合 ,并用贝叶斯估计来恢复原图。
3.
Abstract: For the normal distribution N(μ,σ2), when σ2 is known, the Bayesian estimators of loss function and risk function under different criterions are obtained, and the properties of these estimators are also studied.
本文给出了在方差已知的情况下,正态分布期望参数的估计的损失与风险在不同的先验分布下的贝叶斯估计,并研究了其性质。
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