为了进一步提高双聚类结果的性能，提出了一种基于变分贝叶斯的半监督双聚类算法。首先，在双聚类过程中引入了行和列的辅助信息，并提出了相应的联合分布概率模型；然后基于变分贝叶斯学习方法对联合概率分布中的参数进行估计；最后，通过合成数据集和真实的基因表达式数据集对提出的算法性能进行评估。实验表明，提出的算法在进行双聚类分析时，其归一化互信息量明显优于相关的双聚类算法。

一款高分贝的报警器电路原理图。使用有共振腔体的压电陶瓷喇叭，声音大小可达到100分贝左右。

源码参考，欢迎下载

variantal_bayesian_clusterings：用于脑部MR图像分割的变分贝叶斯算法

使用变分贝叶斯方法的非高斯噪声状态估计的交互多模型方法

【2018年整理】EMC测量的常用计量做单位分贝(dB)及其换算.docx

变分贝叶斯推断matlab代码稳健流张量因式分解 此存储库包含与将出现在 IEEE ICDM 2018 上的论文“Variational Bayesian Inference for Robust Streaming Tensor Factorization and Completion”相关的代码。论文作者是 和 。 有关此代码的问题，请联系 Cole Hawkins。 我们的贡献包含在文件“streaming_bayesian_completion.m”中。 我们的代码需要 Matlab Tensor Toolbox： 要运行 OLSTEC 文件夹中的所有文件，您将需要 Poblano 工具箱：

强跟踪容积卡尔曼滤波器在对含有模型误差和时变噪声的非线性系统进行滤波时, 容易出现性能降低甚至发散. 鉴于此, 提出一种基于变分贝叶斯的强跟踪容积卡尔曼滤波算法. 该算法运用虚拟噪声法补偿模型误差, 假设虚拟噪声均值非零, 且满足高斯分布, 虚拟噪声方差服从逆gamma分布, 在强跟踪容积卡尔曼滤波器估计状态的同时, 采用变分贝叶斯推理估计虚拟噪声参数. 仿真结果表明, 所提出算法对含模型误差与时变噪声的非线性系统具有较好的估计精度, 相比于自适应算法具有更强的鲁棒性.

将文本或波形文件作为输入并计算以 dBA 为单位的声压级。

提出了一种新的自适应卡尔曼滤波算法。该算法假设系统过程噪声方差和量测噪声方差之间存在的函数关系已知,两种噪声方差随着时间变化且均未知。先令当前时刻的过程噪声方差等于前一时刻的过程噪声方差,通过变分贝叶斯近似的方法,在卡尔曼滤波框架下迭代求解当前时刻的量测噪声方差和状态估计,再利用假设中的函数关系获得新的过程噪声方差。对上述过程多次迭代,最终获得状态估计及协方差。仿真实验结果表明,该算法具有较高的滤波精度;在假设条件不 确知的情况下仍具有较强的鲁棒性。