提出一新的非参数贝叶斯推理算法来辨识任意复杂的多模噪声分布,采用无穷维推理技术,能够较为精确地逼近噪声的后验分布。算法主要引入一随机度量分布满足一预设的先验过程——混合Dirichlet过程(Dirichlet Process Mixture,简称DPM),由...提出一新的非参数贝叶斯推理算法来辨识任意复杂的多模噪声分布,采用无穷维推理技术,能够较为精确地逼近噪声的后验分布。算法主要引入一随机度量分布满足一预设的先验过程——混合Dirichlet过程(Dirichlet Process Mixture,简称DPM),由于DPM具有形似于Polya urn的采样特性,能够很方便地对噪声数据进行聚类,并导出噪声的后验分布。仿真结果显示,噪声数据似然的Metropolis-Hastings(M-H)的采样算法比点估计的系统分析算法精度高。展开更多
文摘提出一新的非参数贝叶斯推理算法来辨识任意复杂的多模噪声分布,采用无穷维推理技术,能够较为精确地逼近噪声的后验分布。算法主要引入一随机度量分布满足一预设的先验过程——混合Dirichlet过程(Dirichlet Process Mixture,简称DPM),由于DPM具有形似于Polya urn的采样特性,能够很方便地对噪声数据进行聚类,并导出噪声的后验分布。仿真结果显示,噪声数据似然的Metropolis-Hastings(M-H)的采样算法比点估计的系统分析算法精度高。
