Dirichlet Process Mixture Models(DPMM)的Matlab程序 Hierarchical Dirichlet Proces HDP 代码 Variational Dirichlet Process　Gaussian Mixture Model的Matlab源码

变分推断（Variational Inference, VI）是贝叶斯近似推断方法中的一大类方法，将后验推断问题巧妙地转化为优化问题进行求解，相比另一大类方法马尔可夫链蒙特卡洛方法（Markov Chain Monte Carlo, MCMC），VI 具有更好的收敛性和可扩展性。。。

变分模态分解（Variational Mode Decomposition,VMD）是由 Dragomiretskiy 等人提出的一种自适应信号处理方法，通过迭代搜寻变分模态 的最优解，不断更新各模态函数及中心频率，得到若干具有一定宽带的模态函数。 VMD算法是一种递归算法，有严格的数学理论做支撑！

在本文中，我们提出了一种用于全锐化的新的空间-黑森州特征引导变分模型，该模型旨在从低分辨率的MS图像和具有高空间分辨率和光谱分辨率的全锐化多光谱（MS）图像中获得高分辨率全色（PAN）图像。 首先，我们假设低分辨率MS图像对应于高分辨率全锐化MS图像的模糊和降采样版本。 由于全脸锐化的MS图像和PAN图像是同一场景的两个图像，因此全脸锐化的MS图像与PAN图像具有相似的几何对应关系。 为此，通过兴趣点检测将PAN图像和泛锐化的MS图像之间的几何对应关系学习为空间位置一致性。 其次，提出了一种新的基于图像空间Hessian特征的矢量Hessian Frobenius范数项，以约束PAN图像与泛锐化MS图像之间的特殊对应关系，以及泛锐化MS图像不同波段之间的内相关。 。 基于这些假设，提出了一种用于泛锐化的新型变分模型。 因此，在算子拆分框架下设计了一种针对所提出模型的有效算法。 最后，在模拟数据和真实数据上的结果都证明了该方法在产生具有高频谱质量和高空间质量的泛锐化结果中的有效性。

流行的强度-色相饱和度（IHS）泛锐化方法可以在遭受某些光谱失真的同时提供较高的空间质量，这主要是因为它无法估计准确的强度图像来替代IHS空间中的原始强度图像。 为了克服这一缺点，本文特别采用变分互补数据融合的建模思想，提出了一种在广义IHS（GIHS）变换域中采用变分Hessian转移的新型高效泛锐化方法。更准确的强度图像。 更具体地说，所提出的方法的新颖性在于在GIHS变换域中建立变分的Hessian传递模型，以将基于Hessian的全色（Pan）图像的空间几何信息传递到新的强度图像，同时考虑到保留光谱信息。 最后，实验结果证明了该方法的有效性，与某些最新方法相比，该方法具有更高的光谱和空间质量以及更高的效率。

An interacting multiple model approach for state estimation with non-gaussian noise using a variational bayesian method

Application of the local fractional series expansion method and the variational iteration method to the Helmholtz equation involving local fractional derivative operators

An iterative nonlinear filter using variational Bayesian optimization

Network Economics: A VARIATIONAL INEQUALITY APPROACH （by Anna_Nagurney)

讲述贝叶斯变分法在信号处理中的应用,极具参考价值!