计算机视觉-贝叶斯学习MATLAB源码 贝叶斯分类算法是统计学的一种分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Naïve Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，而且方法简单、分类准确率高、速度快。 　 　由于贝叶斯定理假设一个属性值对给定类的影响独立于其它属性的值，而此假设在实际情况中经常是不成立的，因此其分类准确率可能会下降。为此，就衍生出许多降低独立性假设的贝叶斯分类算法，如TAN(tree augmented Bayes network)算法。

全概率公式和贝叶斯公式练习题.pdf

用于随机微分方程模型中近似贝叶斯计算（ABC）的MATLAB工具箱。 它对具有由随机微分方程（SDE）定义且不限于“状态空间”建模框架的潜在动力学的随机模型执行近似贝叶斯计算。 一维和多维SDE系统均受支持，部分观察的系统易于容纳。 可以估计影响数据/观测值的“测量误差”的方差分量。 一本50页的参考手册提供了两个案例研究，这些案例研究已经实施和讨论。 该方法基于http://arxiv.org/abs/1204.5459上的研究文章。作者的研究页面为http://www.maths.lth.se/matstat/staff/umberto/

针对传统基于稀疏贝叶斯学习(sparse bayesian learning, SBL)的波达方向(direction of arrival，DOA)估计算法在低信噪比条件下性能不足的问题，提出了一种基于子空间拟合和块稀疏贝叶斯学习的离网DOA估计方法。首先对样本的协方差矩阵进行特征分解，获得信号的加权子空间，然后构造等价信号的稀疏表示模型并利用块稀疏贝叶斯算法进行参数求解，同时对于网格失配带来的建模误差，将空间域内的离散采样网格点作为动态参数，通过求解一个多项式，利用期望最大化算法迭代更新离散网格点的位置。仿真实验结果表明，相对于传统SBL算法，该方法具有更好的估计精度和空间分辨率。

基于贝叶斯算法的爬虫方法，充分利用贝叶斯网的优势，实现爬虫

伴随流式数据处理需求而产生的复杂事件处理技术，在处理具有多样性和流式特征数据方面性能表现突出，被广泛应用于复杂事件大数据处理系统中。针对复杂事件大数据处理系统测试需求，提出一种基于贝叶斯网络的复杂事件大数据处理系统测试数据生成方法，该方法以部分真实数据中的复杂事件结构关系及概率分布特征构建贝叶斯网络预测模型，生成具有真实数据结构特征与分布特征的复杂事件测试数据集。实验结果表明，提出的方法具有可行性。

贝叶斯鲁棒隐马尔可夫模型 (BRHMM) 是一种用于分割序列多变量数据的概率模型。 该模型将数据解释为由一系列隐藏状态生成。 每个状态都是重尾分布的有限混合，具有特定于状态的混合比例和共享位置/分散参数。 该模型中的所有参数都配备有共轭先验分布，并使用与期望最大化实质相似的变分贝叶斯（vB）推理算法进行学习。 该算法对异常值具有鲁棒性并接受缺失值。 此提交包括一个测试函数，该函数生成一组合成数据并从这些数据中学习模型。 测试函数还绘制根据模型分割的数据，以及每次 vB 迭代后数据对数似然的变分下界。 如果您发现此提交对您的研究/工作有用，请引用我的 MathWorks 社区资料。 如果您有任何技术或应用相关问题，请随时直接与我联系。 指示： 下载此提交后，解压缩 MatLab 工作目录中的压缩文件并运行测试函数 (TestBRHMM.m) 进行演示。

贝叶斯模型matlab代码帕累托平滑重要性抽样 (PSIS) 和 PSIS 留一法交叉验证参考代码 介绍 这些文件为 Matlab/Octave 和 Python（由 制作的 Python 端口）实现了帕累托平滑重要性采样 (PSIS) 和 PSIS 留一法交叉验证。 loo 包中对应的 R 代码 相应的 R 代码可以在 中找到，也可以从 中获得。 ArviZ 中的 Python 代码 PyPI 中可用的 loo 和 psislw 函数具有相应的功能（请参阅 参考资料）。 内容 'm' 文件夹中的 Matlab/Octave 代码 'psislw.m' - 对数重要性权重的帕累托平滑 'psisloo.m' - 帕累托平滑重要性采样留一法对数预测密度 'gpdfitnew.m' - 估计广义帕累托分布的参数 'sumlogs.m' - 向量的总和，其中数字用对数表示 'py' 文件夹中的 Python 模块 'psis.py' - 在 Python (Numpy) 模块中包含以下函数 psislw - 对数重要性权重的帕累托平滑 psisloo - 帕累托平滑重要性采样留一法对数预测密

covidseir：贝叶斯SEIR模型来估计社交距离对COVID-19的影响

一个简单自己写的朴素贝叶斯分类器