动力系统的参数识别和比较在许多领域都是一项具有挑战性的任务。 基于时间序列数据的高斯过程回归的贝叶斯方法已成功应用于推断动态系统的参数，而无需显式求解。 虽然计算成本的好处已经确立，但过去的理论基础一直受到批评。 我们提供了一种新颖的解释，由于对一般非线性动力系统进行了更有效的设置，因此可以更好地理解和改进最先进的性能，包括准确性、鲁棒性和运行时间的减少。梯度匹配是一种成功的工具，可以避免动态系统中贝叶斯参数识别的数值积分计算成本，特别是如果动态系统（如大多数现实世界系统中的系统）相当平滑。 以前的基于高斯过程的方法使用了专家启发式的批评产品，这导致了技术上的困难。 我们说明了这些理论问题并提供了 一种不依赖 PoE 的新颖、合理的表述。 我们进一步解释了基于采样的变分方法的惊人性能提升，然后结合这些见解提出了一种称为 FGPGM 的新算法，该算法联合学习状态和参数，并在准确性方面提高了最先进的性能， 一般非线性动力系统的运行时间、鲁棒性和“平滑偏差”的减少。 与之前的 MCMC 方法不同，FGPGM 使用单链 Metropolis Hastings 方案，这比之前使用的复

通过构建损失函数，采用梯度下降的思想实现对数据点的拟合，可通过改变损失函数的次数将直线拟合推广到高次函数拟合 欢迎批评指正！

梯度下降法及NN的excel实现

线性回归梯度下降代码（ML_algorithm-master） 有Linear_regression、utils等

人体检测梯度方向直方图 Histograms of Oriented Gradients for Human Detection

用基于策略梯度得强化学习方法训练AI玩王者荣耀

用最简单的、通俗的语言教会小白学会“梯度下降”算法的原理，并进行详细的公式推导，一步一步计算，代码一步一步讲解和操作，力求使小白“听得懂、学的会”

李宏毅教授关于神经网络中的梯度下降算法的讲解，利用梯度下降来求解最佳值。

BP神经网络梯度下降法，可预测输出，预测结果图形，预测误差图形

大规模MIMO系统中基于并行共轭梯度的低复杂度预编码算法。