导读:本文包含了先验分布论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:概率,不平衡,函数,高斯,模型,损失,参数。
先验分布论文文献综述
张文强,王敏,李开灿[1]（2019）在《一种混合先验分布下叁维列联表的贝叶斯估计》一文中研究指出在混合先验分布为狄里赫利分布,损失函数是平方损失的假设下,研究了叁维列联表的参数的贝叶斯估计问题,获得了列联表中各个细胞的贝叶斯估计,同时对先验分布参数作适当变换,在一定的极限状态下,这种估计和单层的贝叶斯估计、极大似然估计是一致的。(本文来源于《湖北师范大学学报(自然科学版)》期刊2019年03期）
薛辉,刘铁林,苏小波[2]（2019）在《基于Bayes混合先验分布的兵棋推演规则建模方法》一文中研究指出针对兵棋推演胜负裁决规则建立难的问题,军事专家利用经验数据总结战争胜负规律,数学家、工程师利用军事运筹分析方法计算战争胜负规律,为了综合利用两种方法,利用Bayes混合先验分布将历史战争规律总结法与军事运筹分析法合理有效融合,对胜负裁决规则进行建模研究;通过在贝塔分布中引入继承因子,将兰彻斯特方程生成的军事运筹分析数据作为先验信息,与历史战争的经验规律数据作为后验信息进行结合。引入的混合贝塔先验分布方法,有效避免了两种方法互相淹没信息的问题;建立的胜负概率裁决模型,有效地提高了兵棋推演中胜负裁决概率的准确度及可信度,使其更加符合战争规律。(本文来源于《火力与指挥控制》期刊2019年06期）
李涛[3]（2018）在《基于样本先验分布信息的不平衡数据采样研究》一文中研究指出类别不平衡问题是机器学习和数据挖掘等领域中主要关注的问题之一。特别是近些年来,随着互联网的日渐普及和大数据时代的到来,使类别不平衡问题成为了一个炙手可热的课题。通俗而言,类别不平衡问题指的是:在同一个数据集中,当一个或者多个类的样本数量远多于或远少于其它类时,就会出现类别不平衡问题。类别不平衡问题的出现给传统的分类模型造成了极大地冲击。经过科研人员孜孜不倦的努力,目前已有多种有效的算法被提出。虽然这些算法在某些程度上解决了类别不平衡问题,但是它们要么忽略了噪声点影响,要么不能适应样本的不同分布特点,因而均有一定的局限性。鉴于上述问题,本文将从样本采样的角度去解决类别不平衡问题,工作的重心放在“如何合理的去除样本中的噪声点”和“根据样本的具体分布特点来对其进行区域划分并分配不同的采样策略”。具体的研究内容可概括为以下两个方面:(1)从样本采样技术的角度去解决类别不平衡问题时,无论是过采样还是降采样都面临一个重要的问题:如何去除样本中的噪声点。本文采用的是过采样技术,去除噪声点的工作更是变得极为重要。因为一旦噪声点不能被识别并去除,会对采样过程造成极大的影响:合成出的新样本分布会受到噪声信息的影响,导致噪声进一步扩大,最后导致分类模型性能下降。本文利用高斯混合模型拟合样本的概率密度,然后分别根据样本在自身类别和在其它类别中所拟合出的概率密度相对大小来判断该样本是否为噪声点。若是,则去除该样本。实验的各项测度表明,本文提出的去噪算法更能有效的去除样本中的噪声点。(2)去噪过程完成以后,接下来即是自适应采样。首先用高斯混合模型对净化后的少数类样本进行拟合,得到各个样本的概率密度,按照从大到小排序后截取部分概率密度较大的样本命名为“安全样本”;然后将剩下的样本全部放入多数类样本中重新拟合,得到新的概率密度。按照从大到小排序后截取部分概率密度较大的样本命名为“边界样本”,剩下的全部命名为“离群样本”。这叁部分样本无一重复,且实验中均设定相应的阈值。最终根据这叁部分样本分布特点,采用相适应的采样算法参数来进行采样。(本文来源于《江苏科技大学》期刊2018-12-20）
吴彦丞,陈鸿昶,李邵梅,高超[4]（2019）在《基于行人属性先验分布的行人再识别》一文中研究指出为了提高基于深度学习和属性学习的行人再识别的识别精度,提出一种联合识别行人属性和行人ID的神经网络模型.相对于已有的同类方法,该模型有叁大优点:1)为了提高网络在微调后的判别能力,在网络中增加了一层保证模型迁移能力的全连接层; 2)基于各属性样本的数量,在损失函数中对各属性的损失进行了归一化处理,避免数据集中属性类之间的数量不均衡对识别效果的影响; 3)利用数据中各属性分布的先验知识,通过数量占比来调整各属性在损失层中的权重,避免数据集中各属性正负样本的数量不均衡对识别的影响.实验结果表明,本文提出的算法具有较高的识别率,其中在Market 1501数据集上,首位匹配率达到了86.90%,在DukeMTMC数据集上,首位匹配率达到了72.83%,在PETA数据集上,首位匹配率达到了75.68%,且对光照变化、行人姿态变化、视角变化和遮挡都具有很好的鲁棒性.(本文来源于《自动化学报》期刊2019年05期）
韩柳,刘淼[5]（2018）在《基于贝叶斯理论的共轭先验分布研究》一文中研究指出通过分析讨论贝叶斯统计理论中先验分布、条件分布、贝叶斯公式的密度函数等概念,在共轭先验分布理论的基础上,探讨了一些常用的单参数分布族,如二项分布、泊松分布、指数分布、正态分布等常见分布的共轭先验分布问题,并得出相关结论.(本文来源于《伊犁师范学院学报(自然科学版)》期刊2018年04期）
席晓燕,于化龙[6]（2018）在《耦合样本先验分布信息的加权极限学习机》一文中研究指出极限学习机广泛用于分类、聚类、回归等任务中,但在处理类不平衡分类问题时,前人未充分考虑样本先验分布信息对分类性能的影响。针对此问题,本文提出耦合样本先验分布信息的加权极限学习机(Coupling sample Prior distribution Weighted Extreme Learning Machine,CPWELM)算法。该算法基于加权极限学习机,充分探讨不同分布样本点的重要程度,以此构造代价矩阵,进而提升分类器性能。本文通过12个不平衡数据集,对CPWELM算法的可行性及有效性进行了验证。结果表明,相比同类其他算法,CPWELM算法的性能更优。(本文来源于《计算机与现代化》期刊2018年08期）
董林松,方铭,王志勇[7]（2018）在《基因组预测中先验分布的两种超参数设定策略比较》一文中研究指出基因组选择是通过全基因组的标记信息估计出个体的基因组育种值并加以选择的育种方法.主要围绕最佳线性无偏预测(BLUP)和贝叶斯方法展开.这些方法均在某种先验假设下进行,因此需要对先验分布的参数进行设定.依据设定先验超参数的原理,探讨了对单核苷酸多态性(SNP)基因型进行与不进行标准化两种策略下先验超参数的设定方法,并利用QTLMAS2012的模拟数据,分别计算了7种预测方法(岭回归BLUP(RRBLUP)、BayesA、BayesB、BayesCπ、快速BayesB(FBayesB),快速混合正态分布(FMixP)和基于马尔科夫链-蒙特卡洛算法的MixP(简称MMixP))在2种策略下的基因组育种值.结果显示:当采用同一种预测方法,对SNP基因型进行标准化处理与否不影响基因组育种值估计结果.但由于对基因型进行标准化处理在方法上更具有通用性,并可以突出效应大的SNP位点,故建议进行SNP效应值估计前,先将SNP基因型标准化,再设定先验分布的参数值.(本文来源于《厦门大学学报(自然科学版)》期刊2018年04期）
张鹏飞[8]（2018）在《先验分布对变分贝叶斯方法在混合厄朗模型中的影响探究》一文中研究指出混合厄朗分布是统计学领域的重要分布,在混合模型中有重要的应用。本文主要考虑先验分布对变分贝叶斯方法在混合厄朗模型(Erlang Mixture Model)中的影响。混合厄朗模型是多个厄朗分布的凸组合形式,有许多良好的性质。我们利用变分贝叶斯方法考虑广义狄利克雷分布(Generalized Dirichlet Distribution)和贝塔-刘维尔分布(Beta-Liouville Distribution)分别作为先验分布对模型的后验估计情况,比较数据拟合的效果。我们利用CMM-VBEM算法,从参数的初始化、形状参数的调整、混合个数的选择、后验分布估计过程几个方面详细介绍混合厄朗模型的处理过程。其中CMM算法是聚类的矩估计,我们利用其进行参数的初始化估计:VBEM算法是变分EM算法,我们利用其对潜变量、形状参数、混合权重进行有效估计。VBEM算法相较于传统的EM算法,可以更好地避免数据的过拟合问题。最后本文通过数据模拟和实证分析两个方面对算法进行验证和比较。结论表明,当样本数较少时,先验分布的选择对混合厄朗模型的估计效果有影响,在实例中贝塔-刘维尔分布作为先验分布比广义狄利克雷分布作为先验分布的模型分类效果更好。(本文来源于《厦门大学》期刊2018-04-01）
杨棣,王元美,李军刚[9]（2018）在《贝叶斯频率估计中频率的先验分布对有色噪声作用的影响》一文中研究指出在贝叶斯参数估计理论框架下,研究了被测参数的先验分布对有色噪声的抑制作用.选择一个受1/f~α型谱密度有色噪声影响的自旋1/2量子比特作为量子探测系统来估计一个磁场强度的大小,利用贝叶斯代价函数的动力学演化来评判估计的精度,重点研究先验概率分布对噪声非高斯性的限制作用.研究发现:当先验概率的不确定度比较大时,有色噪声的非高斯性对频率估计精度的影响比较小;当先验概率的不确定度比较小时,有色噪声的非高斯性对频率估计精度的影响比较大.(本文来源于《物理学报》期刊2018年06期）
王敏[10]（2018）在《复合Linex损失下不同先验分布中参数的Bayes估计》一文中研究指出文章在复合Linex对称损失下,就参数的先验分布为伽玛分布,共轭先验及无信息先验进行了对比,得到艾拉姆咖分布参数的唯一贝叶斯估计。进一步通过R软件进行随机模拟,得到参数的Bayes估计值,从而得出结论:当先验为共轭先验时,估计值较接近艾拉姆咖分布参数的真值。(本文来源于《统计与决策》期刊2018年02期）
先验分布论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对兵棋推演胜负裁决规则建立难的问题,军事专家利用经验数据总结战争胜负规律,数学家、工程师利用军事运筹分析方法计算战争胜负规律,为了综合利用两种方法,利用Bayes混合先验分布将历史战争规律总结法与军事运筹分析法合理有效融合,对胜负裁决规则进行建模研究;通过在贝塔分布中引入继承因子,将兰彻斯特方程生成的军事运筹分析数据作为先验信息,与历史战争的经验规律数据作为后验信息进行结合。引入的混合贝塔先验分布方法,有效避免了两种方法互相淹没信息的问题;建立的胜负概率裁决模型,有效地提高了兵棋推演中胜负裁决概率的准确度及可信度,使其更加符合战争规律。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
先验分布论文参考文献
[1].张文强,王敏,李开灿.一种混合先验分布下叁维列联表的贝叶斯估计[J].湖北师范大学学报(自然科学版).2019
[2].薛辉,刘铁林,苏小波.基于Bayes混合先验分布的兵棋推演规则建模方法[J].火力与指挥控制.2019
[3].李涛.基于样本先验分布信息的不平衡数据采样研究[D].江苏科技大学.2018
[4].吴彦丞,陈鸿昶,李邵梅,高超.基于行人属性先验分布的行人再识别[J].自动化学报.2019
[5].韩柳,刘淼.基于贝叶斯理论的共轭先验分布研究[J].伊犁师范学院学报(自然科学版).2018
[6].席晓燕,于化龙.耦合样本先验分布信息的加权极限学习机[J].计算机与现代化.2018
[7].董林松,方铭,王志勇.基因组预测中先验分布的两种超参数设定策略比较[J].厦门大学学报(自然科学版).2018
[8].张鹏飞.先验分布对变分贝叶斯方法在混合厄朗模型中的影响探究[D].厦门大学.2018
[9].杨棣,王元美,李军刚.贝叶斯频率估计中频率的先验分布对有色噪声作用的影响[J].物理学报.2018
[10].王敏.复合Linex损失下不同先验分布中参数的Bayes估计[J].统计与决策.2018
论文知识图
