贝叶斯反演 贝叶斯统计，尤其是贝叶斯逆问题中使用的算法的集合

BayHunter v2.1 BayHunter是一个开源Python工具，用于执行表面波色散和/或接收器功能的McMC多维贝叶斯反演。 该算法遵循数据驱动策略，并针对速度-深度结构，层数，Vp / Vs比和噪声参数（即数据噪声相关性和幅度）进行求解。 包装内提供了正向建模代码，但可以轻松地用自己的代码替换。 也可以添加（完全不同的）数据集。 BayWatch模块可用于在运行时实时进行反转：这使您很容易看到每个链如何探索参数空间，数据如何拟合和模型如何变化以及反转的方向。 引文 詹妮弗·德瑞琳（Dreiling） Tilmann，Frederik（2019）：BayHunter-接收机功能的McMC多维贝叶斯反演和面波频散。 GFZ数据服务。 应用实例 Dreiling等。 （2020年）：斯里兰卡的地壳结构，是通过使用贝叶斯方法对地表波色散和接收器函数进行联合反演而得出的。 地球物

USE FOR CABLE JOINT TEMPERATURE INVERSION BSED ON IMPROVED SPARROW SEARCH ALGORITHM AND BACK PROPAGATION NEURAL NETWORK. DATA PREPROCESSING BY DATA DIMENSION REDUCTION ALGORITHM

正演求得频散曲线，反演得到横波速度和厚度。

高密度电阻率法反演软件 Res2dinv。

贝叶斯反演 在本文中，我们将讨论针对线性问题的全局和空间（连续，离散）参数的联合贝叶斯方法。

Noisi-环境噪声互相关建模和反演 该工具可用于模拟噪声互相关和对噪声源的敏感度内核。 安装 安装要求（使用anaconda最容易完成） y 大熊猫 mpi4py 地理库 卡托普 h5py 朱皮特 pytest 此外，如果打算将其用于Green的功能，请安装 。 如果您打算运行本教程，请安装jupyter notebook（请参见下文）。 如果遇到mpi4py问题，请尝试将其删除并使用pip重新安装（ pip install mpi4py ）。 安装预包装 安装依赖项后，运行pip install noisi 安装可编辑以进行进一步开发 使用git克隆存储库： git clone https://github.com/lermert/noisi.git 切换到noisi_v1/目录。 呼叫pip install -v -e . 这里。 安装后，转到noisi/noisi目

本文介绍了关于有限域GF（2n）上的多精度整数的两种基本算法的并行算法。 通过分析其数据相关性，设计了归约运算和反乘运算的并行算法。 计算并行算法和顺序算法的时间复杂度以进行定量比较。 性能评估表明所提出的并行算法具有很高的效率。

Matlab_inversion_inversion_光谱反演模型_matlab_yet2s

全变差去噪matlab代码通过正则反转（IHRRI）工具箱进行的在线全息图重建 一个基于数字内嵌全息图的基于“逆问题”的图像重建的matlab代码。 该工具箱实现了基于逆问题的算法，专用于数字在线全息显微镜（DHM）中的图像重建。 关于DHM和逆方法的理论方面是在JOSA A [1]中发布​​的指南中开发的，并且此代码构成了该出版物中提出的算法的演示者。 可以按原样执行名为reconstruction_script.m的主要重建脚本，并且可以从必须在文件parameters.m设置参数（数据和结果保存路径，校准，算法设置）的线内全息图数据进行重建parameters.m （有关更多详细信息，请参考它）。 所有设置都存储在全局结构EXPE ，该结构还存储重建结果。 在脚本末尾，此结构保存在MAT文件的experiment.m中，该文件包含在results目录中一个带时间戳的子目录中，该子目录称为数据全息图文件。 原则 该代码能够执行两种“反问题”算法，旨在从强度在线全息图像Y重建图像X 在此代码中， X是2分量图像（[width，height，2]），每个图像分别对应于与单位透射平面的复