188宝金博页面版

  • 图案背景
  • 纯色背景
视图
标记
批注
批注本地保存成功，开通会员云端永久保存 去开通
yangzl

上传于：2010-01-09

粉丝量：0

该文档贡献者很忙，什么也没留下。


  • 相关
  • 目录
  • 笔记
  • 书签

188宝金博页面版:更多相关文档

  • 贝叶斯神经网络建模预测方法及其应用

    星级： 4 页

  • 贝叶斯神经网络建模预测方法及其应用_樊春玲

    星级： 7 页

  • 基于动态bp神经网络的预测方法及其应用

    星级： 6 页

  • 基于动态BP神经网络的预测方法及其应用

    星级： 3 页

  • 基于变结构算法的神经网络预测方法及其应用

    星级： 3 页

  • （论文）小波神经网络预测方法及其应用

    星级： 3 页

  • 基于变结构算法的神经网络预测方法及其应用

    星级： 3 页

  • 基于动态BP神经网络的预测方法及其应用

    星级： 9 页

  • BP神经网络最优组合预测方法及其应用

    星级： 3 页

  • 基于动态BP神经网络的预测方法及其应用[精品]

    星级： 5 页

  • 小波神经网络预测方法及其应用

    星级： 2 页

  • 基于动态BP神经网络的预测方法及其应用

    星级： 2 页

  • 基于动态bp神经网络的预测方法及其应用

    星级： 6 页

  • 沈阳农业大学硕士学位论文--辽宁省不同穗型粳稻杂种优势及其衰退的研究

    星级： 50 页

  • 基于动态BP神经网络的预测方法及其应用

    星级： 4 页

暂无目录

点击鼠标右键菜单,创建目录

    暂无笔记

    选择文本，点击鼠标右键菜单，添加笔记

    暂无书签

    在左侧文档中，点击鼠标右键，添加书签

    188宝金博页面版: 贝叶斯神经网络建模预测方法及其应用

    下载积分： 0

    内容提示： 第 17 卷第 1 期 中国惯性技术学报 Vol.17 No.1 2009 年 2 月 Journal of Chinese Inertial Technology Feb. 2009 文章编号：文章编号：1005-6734(2009)01-0085-04 贝叶斯神经网络建模预测方法及其应用贝叶斯神经网络建模预测方法及其应用 樊春玲1，孙四通1，金志华2 （1. 青岛科技大学 自动化与电子工程学院，青岛 266042；2. 上海交通大学 信息检测技术及仪器系，上海 200030） 摘要：摘要：针对神经网络建模时，其模型的复杂性难以控...

    文档格式：PDF | 页数：4 | 浏览次数：555 | 上传日期：2010-01-09 08:26:39 | 文档星级：
    第 17 卷第 1 期 中国惯性技术学报 Vol.17 No.1 2009 年 2 月 Journal of Chinese Inertial Technology Feb. 2009 文章编号：文章编号：1005-6734(2009)01-0085-04 贝叶斯神经网络建模预测方法及其应用贝叶斯神经网络建模预测方法及其应用 樊春玲1，孙四通1，金志华2 （1. 青岛科技大学 自动化与电子工程学院，青岛 266042；2. 上海交通大学 信息检测技术及仪器系，上海 200030） 摘要：摘要：针对神经网络建模时，其模型的复杂性难以控制而且缺乏分析结果的工具，以及贝叶斯方法可以通过定义一些超参数的：妊槔纯刂颇Ｐ筒问丛有，并且可对任何感兴趣的变量产生后验预测分布，使得置信区间的计算成为可能。研究了贝叶斯神经网络的建模预测问题，通过融入模型参数的先验知识，在给定数据样本及模型假设下进行后验概率的贝叶斯推理，使用马尔可夫链蒙特卡罗算法来优化模型控制参参数，实现了对神经网络模型中不同部分复杂度的控制，获得了模型参数的后验分布及预测分布。通过动调陀螺仪漂移数据建模应用分析结果证明此方法可以达到较好的建模预测效果。 关关 键键 词：词：贝叶斯神经网络；漂移建模；马尔可夫链蒙特卡罗（MCMC） ；先验知识 中图分类号：中图分类号：U666.1 文献标志码：文献标志码：A Modeling & predictive method of Bayesian neural network FAN Chun-ling1, SUN Si-tong1, JIN Zhi-hua 2 (1. College of Automation and Electronic Engineering, Qingdao University of Science and Technology, Qingdao 266042, China; 2. Dept. of Information Measurement Technology and Instruments, Shanghai Jiao Tong Univ., Shanghai 200030, China) Abstract: With neural networks, the main difficulty in model building is controlling the complexity of the model and lack of tools for analyzing the results, such as confidence interval. However, Bayesian approach can handle such problems by defining vague priors for the hyperparameters that determine the model complexity. And the Bayesian analysis yields posterior predictive distributions for any variables of interest, making the computation of confidence intervals possible. Prior knowledge about the model parameters can be incorporated in Bayesian inference and combined with training data to control complexity of different parts of the model. Markov chain Monte Carlo method is applied to optimize the model control parameters and obtain the predictive distribution. The Bayesian neural network method is studied and used in the drift modeling for gyroscopes. Results show that the Bayesian neural network can produce better modeling and predictive performance. Key words: Bayesian neural network; drift modeling; Markov chain Monte Carlo (MCMC); prior knowledge 在贝叶斯数据分析中，所有未知变量的先验知识都是以概率分布的形式表示的。贝叶斯方法可以综合先验知识和观测样本的数据信息，产生未知变量的后验分布。推理就是通过建立未知变量的后验条件概率分布来执行的，预测则是对后验分布进行积分操作。当数据信息不充分的情况下，先验信息决定了最终的预测结果，随着数据信息的增加，先验信息的影响也将逐渐减小[1]。 近年来，多层感知器（Multi-layer perception－MLP）神经网络在非线性建模、预测中的应用越来越普遍。对于神经网络来说，它在建模上的一个主要困难是难以控制模型的复杂性。众所周知，模型最优自由度数目取决于训练样本数的多少、样本的噪声程度以及所预测函数、方程的复杂性。对于标准神经网络来讲，确定正确的模型复杂性和设定理想的网络复杂性的方法是非常粗糙的，且计算量非常庞大[2]。在贝叶斯方法中，神经网络的模型复杂度可以通过定义一些超参数（hyperparameters）的：妊槔纯刂颇Ｐ筒问丛有缘奈粗潭，再进一步通过对模型参数的分组，以及在各权组上使用不同的公共超参数，允许模型在不同的部分有不同的复杂度，并且最终的模型是通过后验分布对整个模型的复杂度 收稿日期：收稿日期：2008-12-22；修回日期：修回日期：2009-01-22 作者简介：作者简介： 樊春玲 （1975—） ， 女， 副教授， 从事陀螺仪可靠性及寿命预测、 信息处理技术的研究。 E-mail： peakfan@163.com

    阅读了该文档的用户还阅读了这些文档

    188宝金博页面版:关于我们

    188宝金博页面版:帮助中心

    188宝金博页面版:关注我们

    • 新浪微博

    关注188宝金博页面版公众号

    188宝金博页面版
    阅读
    APP
    阅读
    返回
    顶部
    188宝金博页面版官网登录在线平台入口（2026已更新）—江苏协昌电子科技股份有限公司