GPy火炬 新闻：GPyTorch v1.3 GPyTorch v1.3刚刚发布。 GPyTorch是使用PyTorch实现的高斯进程库。 GPyTorch旨在轻松创建可扩展，灵活和模块化的高斯过程模型。 在内部，GPyTorch与许多现有的GP推理方法不同，它使用诸如预处理共轭梯度之类的现代数值线性代数技术执行所有推理操作。 实施可扩展的GP方法非常简单，就像通过我们的LazyTensor接口或内核很多现有的LazyTensors为内核矩阵及其派生词提供矩阵乘法例程LazyTensors 。 与基于Cholesky分解的求解器相比，这不仅可以轻松实现流行的可扩展GP技术，而且通常还可以显着提高GPU计算的利用率。 GPyTorch提供（1）显着的GPU加速（通过基于MVM的推理）； （2）用于可伸缩性和灵活性（ ，， ， ，...）的最新算法进步的最新实现； （3）易于与深

贝叶斯优化 具有高斯过程的贝叶斯全局优化的纯Python实现。 PyPI（点）： $ pip install bayesian-optimization 来自conda-forge频道的Conda： $ conda install -c conda-forge bayesian-optimization 这是基于贝叶斯推理和高斯过程的受约束的全局优化程序包，它试图在尽可能少的迭代中找到未知函数的最大值。 该技术特别适合于高成本功能的优化，在这种情况下，勘探与开发之间的平衡很重要。 快速开始 请参阅以下内容，快速浏览贝叶斯优化程序包的基础知识。 可以在文件夹中找到更多详细信息，其他高

食饵捕食模型模型型号代码，一般说明 《生态学与进化论方法》论文“使用动态生态进化模型和近似贝叶斯计算（ABC）从宏观模式推断社区组装过程”中介绍的模型以MATLAB（R2017b版本）代码的基本形式实现。 。 为了运行模型“ main_ecoevo.m”，应在与下面简要介绍的m文件相同的目录中执行。 该代码在每个m文件中都有注释，下面我们介绍实现的一般功能和关键组件。 main_ecoevo.m 这是为了运行模型而执行的主要功能。 将启动默认模型参数和初始条件（第25-69行），或者可以将参数分配为功能的输入（请参见下面的详细信息）。 对于要建模的场景，启动至关重要。 生境变量决定栖息地的数量及其在资源/特征空间中的位置。 竞争变量会启动竞争者种群的数量，其位置和在栖息地中的丰度，它们的特征，生态位宽度，扩散倾向和可进化性。 同样，捕食者变量决定了捕食者的数量，它们的位置和在栖息地中的丰度，它们的特征，生态位宽度，扩散倾向和可进化性。 这种灵活性提供了运行多个模型方案的可能性。 例如，像本文案例研究中提出的方案一样，有可能将通用模型简化为一个栖息地中仅捕食者和捕食者-猎物自适应辐射的模

一本关于随机过程和滤波理论的基础书籍。包括随机过程，随机不等式，滤波理论，线性滤波和非线性滤波。

介绍Unix Processes的工作机制

随机过程基础第二版，Essentials of Stochastic Processes (2nd edition)，Richard Durrett 著，是一本关于随机过程的经典教科书

绝版教材，很详细地阐述了Level Crossing理论。本人在亚马逊买了电子版，放到这里回回血。

高斯过程 我用高斯过程实现回归。 写它是为了加深我对这些概念的理解。 如果您想在您的应用程序中使用它，请先与我联系。 该代码远非稳定且可供使用。

这是关于贝叶斯推理随机过程的电子书，高清，最新版本，经典著作，英文版

MFFA 多重分形趋势波动分析MFDFA是一种与模型无关的方法，可以揭示随机过程或自回归模型的自相似性。 DFA由Peng等人首先开发。 1和后来扩展到研究Kandelhardt等人的多重分形MFDFA 。 2 。 在最新版本中，还添加了移动窗口系统，特别适用于短时间序列，最近对DFA的扩展（称为扩展DFA ）和经验模式分解的额外功能（作为去趋势方法）。 安装 要安装MFDFA，您只需使用 pip install MFDFA 在您喜欢的编辑器上，只需将MFDFA导入为 from MFDFA import MFDFA 有一个附加的库fgn可以生成分数高斯噪声。 MFDFA库 MFDFA基础仅取决于numpy ，尤其是numpy的polynomial 。 在版本0.3中，添加了一种基于方法，以替代依赖于PyEMD时间序列趋势变化方法。 使用MFDFA库 一维分数阶Ornstein-U