.png){kind=icon}
返回
An effective implementation for kernel-based positive system identification using Gibbs sampling
.png){kind=icon}
PRE
AI
DOI：10.1002/asjc.3682.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，基于核的方法已被应用于正系统辨识，其中超参数估计是一个至关重要的部分。首先，针对正系统提出了正则化辨识问题。由于正系统的非负约束，贝叶斯解释选择截断高斯分布作为系统参数的先验分布。超参数估计被表述为边缘似然优化问题。为正系统建立贝叶斯网络，以构建处理超参数估计的概率框架。基于推导出的条件分布，本文开发了一种马尔可夫链蒙特卡洛方法，根据似然函数进行采样，其中吉布斯采样可用于提高采样效率。所提出的基于采样的算法便于全局搜索超参数。仿真结果表明，与常规方法相比，所提出的算法提供了更精确且高效的辨识结果。
Keyword:
Bayesian network
Gibbs sampling
hyperparameter estimation
kernel-based method
positive system identification
期刊
IF:
2.7
论文数:
604
被引数:
4.7K
机构
暂无机构信息
引用论文
Probability rate optimization of positive Markov jump linear systems via DC programming基于DC规划的正马尔可夫跳跃线性系统的概率率优化
OAAI
.png){kind=icon}
OAAI分享收藏Bayesian positive system identification: Truncated Gaussian prior and hyperparameter estimation
PREAI
分享收藏
查看更多内容