利用稀疏求解后稀疏解的快内性质，借助贝叶斯网络，快速准确的分解信号 得到在过完备字典上的稀疏解

模式识别采用贝叶斯方法的实验，含matlab源码，数据，报告等，一条龙服务，呵呵，因为自己做实验的时候很痛苦，希望大家参考的时候有所帮助。

为解决电机在变负载运行条件下滚动轴承振动信号故障的特征提取困难、故障诊断准确率低的问题,提出一种基于变步长粒子群的变分模态分解与贝叶斯网络相结合的滚动轴承故障诊断模型。通过变步长粒子群算法优化的变分模态分解与Hilbert变换,提取故障信息并离散化处理,构建贝叶斯网络故障诊断模型,对滚动轴承故障发生概率推理,并利用完备、不完备数据集以及噪声试验验证该方法的准确性。仿真结果表明,该方法能高效提取特征信息,实现对不确定信息的推理估计,提高滚动轴承故障诊断的准确率,在滚动轴承的故障诊断预测中具有较好的理论与应用前景。

bayesAB：:turtle:bayesAB：用于AB测试的快速贝叶斯方法

贝叶斯分类器思维导图

贝叶斯滤波和卡尔曼滤波的简要介绍，包括贝叶斯公式的推导，贝叶斯滤波的假设条件，卡尔曼滤波的五个方程。

nmf的matlab代码bnmf 贝叶斯NMF工具包（BNMF-Tool）为Matlab中的KL发散实现了贝叶斯NMF。 贝叶斯NMF工具箱（BNMF-Tool）实现了针对以下方面的KL散度的贝叶斯NMF： N. Mohammadiha，P。Smaragdis和A. Leijon，“使用非负矩阵分解的有监督和无监督语音增强方法”，IEEE Trans。 音频，语音和语言处理，第1卷。 21号10，第2140–2151页，2013年10月： 该实现基于包含所有相关功能的NMF类（@NMF）。 在demo.m中演示了该类的用法，其中BNMF用于建议的有监督和无监督降噪。在Matlab中运行演示时，请确保包含@NMF的目录在Matlab搜索路径中。 阅读用户指南文件以获取代码说明。

贝叶斯网络推理机BNJ-Java实现，在自己的研究工作中采用贝叶斯网络作为工具，需要实现原型系统或者做实验的有用

R语言构建贝叶斯网络，很实用的讲解和案例

颜色分类leetcode 在分类中使用贝叶斯神经网络进行不确定性量化：在生物医学成像分割中的应用 该存储库提供了论文“在分类中使用贝叶斯神经网络的不确定性量化：在生物医学图像分割中的应用”的 Keras 实现。 本文扩展了在 . 如果您想引用此作品，请引用扩展版本。 在这个 repo 中，我们使用两个生物医学成像分割数据集展示了所提出的方法：ISLES 和 DRIVE 数据集。 有关更多详细信息，请参阅 和 。 我还强烈建议您查看使用 Walter de Back 的 DRIVE 数据集的良好实现。 []。 例子 一旦你有一个训练有素的贝叶斯神经网络，建议的不确定性量化方法很简单！！！ 在一个二进制segmentaion中，一个具有维度（估计数，特征维度）的numpy数组p_hat ，然后可以通过以下代码获得认知不确定性和任意不确定性。 epistemic = np.mean(p_hat**2, axis=0) - np.mean(p_hat, axis=0)**2 aleatoric = np.mean(p_hat*(1-p_hat), axis=0) 所提出的方法与 Kendall