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。

：智能车辆是近年来发展起来的一门新兴综合技术，在军事、科研和工业中有广阔的应用前景。以电动小车为 研究对象，分析了智能小车传感系统的各种特征值，包括智能小车的状态特征值和道路环境特征值，并建立了相应的坐标 系。根据小车行驶的实际情况，设计了智能小车的多传感器系统，包括：传感器的种类、数量以及在智能小车上的安装位 置。重点讨论了多传感器数据融合结构和融合算法。智能小车多传感器的数据融合结构采用混合式，融合算法采用贝叶新 推理法。

国外原版经典教材，傅立叶变换及其应用(The Fourier Transform And Its Applications)

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。

对抗生成网络学习（九）——CartoonGAN+爬虫生成《言叶之庭》风格的影像(tensorflow实现)-附件资源

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

C语言实现FFT(快速傅里叶变换),比较详细。