MATLAB血氧处理代码贝叶斯换粗体 本实验将重点开发功能性磁共振成像（fMRI）数据中与血氧水平相关（BOLD）信号的仿真，这些信号可作为计算参数映射（CPM）的基础，这是基于模型的fMRI实验的贝叶斯方法。 背景 功能性生物学过程是指尖上的刺激通过许多神经通路和血红蛋白React功能的激活而产生的，从而在大脑成像中表现为信号[1]。 对于功能性MRI，有两种实验设计，如下所示[2]。 积木式设计会在一段时间内持续刺激，随后一段时间内不会刺激。 相反，与事件相关的设计会应用点刺激，并且随着时间的推移，生成的BOLD信号将成为每个fMRI图像中的体素。 在倒数第二个步骤中，将生成BOLD函数。 它有一个初始的下降，之后是一个峰值，然后是刺激后的下冲[3]。 给定一条单一的BOLD信号曲线的形状，我们可以用反伽马分布对其进行近似。 贝叶斯框架有两个步骤：1.第一：选择先验条件。 在当前的模拟中，我们为反伽马分布2选择了一个共轭（平面/无信息）。 是史蒂文的幂定律中的幂。 我们想探索在设计实验时哪个alpha值能提供最佳的参数恢复。 这项研究是一个简化的案例，线性模型中只有一个beta。

安全技术-网络信息-模糊贝叶斯网络在电信客户流失分析中的研究与应用.pdf

贝叶斯分类算法是统计学的一种概率分类方法，朴素贝叶斯分类是贝叶斯分类中最简单的一种。其分类原理就是利 用贝叶斯公式根据某特征的先验概率计算出其后验概率，然后选择具有最大后验概率的类作为该特征所属的类。之所以称之为”朴素”，是因为贝叶斯分类只做最原始、最简单的假设：所有的特征之间是统计独立的。 朴素贝叶斯法（Naive Bayes model）是基于贝叶斯定理与特征条件独立假设的分类方法。 最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBM）。和决策树模型相比，朴素贝叶斯分类器(Naive Bayes Classifier 或 NBC)发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，这给NBC模型的正确分类带来了一定影响

朴素贝叶斯算法学习笔记。

变压器是电网的核心设备，其健康状态关系到电力系统的安全运行，开展变压器故障诊断既有实用价值，又有研究意义。变压器故障诊断的传统方法为国际电工委员会发布的IEC三比值法，该方法存在诊断准确率低、对编码以外的部分样本无法诊断等弊端。鉴于此，本文提出了一种基于统计规律的故障诊断方法，利用变压器油中溶解气体作为特征量，以故障类型为分类结果，采用朴素贝叶斯算法，建立了基于贝叶斯分类器的变压器故障诊断模型。为验证本文模型的效果，采取了两次实例测试：单次随机试验表明，本文模型将诊断准确率较IEC传统方法提高了10个百分点；多次随机试验表明，本文模型的平均诊断准确率在95%以上。因此，本文模型具有分类准确率高、泛化能力强等特点，能满足实际工程需要，可作为电力设备故障诊断的有效方法。

文本分类，使用机器学习算法，如朴素贝叶斯、逻辑回归、支持向量机等

人工智能09贝叶斯网络

TED（现称为BayesPrism） 使用统计边际化（BayesPrism）推断贝叶斯细胞比例重建：肿瘤微环境组成和基因表达的完全贝叶斯推断。 BayesPrism由反卷积模块和嵌入学习模块组成。去卷积模块利用来自scRNA-seq的细胞类型特异性表达谱，并实施完全贝叶斯推断，以根据肿瘤样品的大量RNA-seq表达共同估算细胞类型组成和细胞类型特异性基因表达的后验分布。嵌入学习模块使用期望最大化（EM）来使用肿瘤途径的线性组合来近似肿瘤表达，同时以反卷积模块估算的非肿瘤细胞的表达和分数为条件。 v1.1：添加了新功能，允许使用从scRNA-seq数据（例如，通过更精细的聚类）获得的细胞亚型/细胞状态信息，从而产生更细粒度的细胞类型，以更好地代表异质群体。它可以用来定义例如肿瘤微环境中的髓样或淋巴细胞群。 BayesPrism将计算这些子类型/状态的后验和。 v1.2：增加了功能cle

贝叶斯统计是在经典统计的争论中逐渐发展起来的。争论的问题有：位置参数是否可以看作随机变量？事件的概率是否一定要有频率解释？概率是否可用经验来确定？在这些问题的争论中，贝叶斯学派建立起自己的理论和方法。

COVID风险预测 使用朴素贝叶斯和决策树算法进行COVID-19风险预测