.png){kind=icon}
返回
Gaussian Process Regression for Maximum Entropy Distribution
.png){kind=icon}
OA
AI
DOI：10.1016/j.jcp.2020.109644.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
最大熵分布提供了一个有吸引力的概率密度族，适用于矩闭合问题。然而，找到使这些分布参数化的拉格朗日乘数却成为实际闭包设置的计算瓶颈。受高斯过程最近成功的启发，我们研究了高斯先验是否适合将拉格朗日乘数近似为给定矩集的映射。检查各种核函数，通过最大化对数似然来优化超参数。针对几个测试案例研究了设计的数据驱动的最大熵闭包的性能，包括由bhatnagar-gross-Krook和Boltzmann动力学方程控制的非平衡分布的松弛。（C）2020爱思唯尔公司版权所有。
Keyword:
Gaussian process regression
Maximum entropy distribution
Moment problem
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.8
论文数:
1.6W
被引数:
7.4W
机构
引用论文
.png){kind=icon}
Adaptive change of basis in entropy-based moment closures for linear kinetic equations线性动力学方程基于熵的矩闭包中基的自适应变化OAAI
OAAI分享收藏The multidimensional moment-constrained maximum entropy problem: A BFGS algorithm with constraint scaling多维矩约束最大熵问题: 具有约束缩放的BFGS算法
PREAI
分享收藏Reducing false recognition with criterial recollection tests: Distinctiveness heuristic versus criterion shifts通过标准重新收集测试减少错误识别: 独特性启发式与标准转换
PREAI
分享收藏
查看更多内容