sampling-based strategies 模型推理
Sampling-based strategies 是一种模型推理方法，它通过从模型的可能输出中采样来近似计算模型的输出。这种方法通常用于处理概率模型，例如贝叶斯网络或隐马尔可夫模型，其中模型的输出是概率分布。
在采样过程中，通常会使用一些重复抽样的技术来获取足够的样本以获得可靠的结果。这种方法适用于各种任务，例如概率建模、蒙特卡洛模拟、机器学习等。
使用 Sampling-based strategies 的优点是可以处理复杂的概率模型，并且可以获得更准确的估计结果。然而，这种方法也有一些缺点，例如计算量大、需要大量的样本才能获得可靠的结果等。
总之，Sampling-based strategies 是一种非常有用的模型推理方法，它可以用于处理各种概率模型和任务。
基于主动学习SMOTE的非均衡数据分类
张永;李卓然;刘小丹
【期刊名称】《计算机应用与软件》
【年(卷),期】2012(29)3
【摘 要】Synthetic Minority Over-sampling Technique ( SMOTE) is a typical
over-sampling data preprocessing method which can effectively balance
the imbalanced data. However, it brings about noise as well as other
problems, so that the classification accuracy is downgraded. To solve the
problem, with the help of the classification performance of active learning
SVM, an imbalance data classification approach, called ALSMOTE, which is
based on active learning SMOTE, is proposed. Since active learning SVM
relies on distance-based active selection optimal samples learning
strategies, it can actively choose from imbalanced data the valuable
majority class samples by discarding valueless samples, so as to enhance
operational efficiency and mitigate the problems brought about by SMOTE.
Usingworkspaceinformationasaguideto
non-uniformsamplinginprobabilistic
roadmapplanners
JurP.vandenBerg
MarkH.Overmars
instituteofinformationandcomputingsciences,utrechtuniversity
technicalreportUU-CS-2003-037
www.cs.uu.nlUsingworkspaceinformationasaguidetonon-uniform
samplinginprobabilisticroadmapplanners
JurP.vandenBergMarkH.Overmars
November2003
Abstract
Theprobabilisticroadmap(PRM)plannerisapopularmethodforrobotmotionplanningproblemswithmanydegreesoffreedom.However,ithasbeenshownthatthemethodperformslesswellinsituationswheretherobothastopassthroughanarrowpassageinthescene.Thisismainlyduetotheuniformityofthesamplingusedintheplanner;itplacesmanysamplesinlargeopenregionsandtoofewintightpassages.Inthispaper,atechniquebasedonarobotindependentcelldecompositionofthefreeworkspaceisproposedtoguidetheprobabilisticsampling,suchthatthedistributionofsamplestendsmoretowardtheinterestingregionsinthescene.Itisshownthatthisleadstoimprovedperformanceondifficultplanningproblemsin2Dand3Dworkspaces.
基于蒙特卡洛方法的线性混合效应状态空间模型
唐爱萍
【摘 要】针对线性混合效应状态空间模型中的状态估计问题,提出了一种新的统计推断方法,在假设总体参数已知及个体随机效应未知的情况下,通过卡尔曼滤波算法与序贯蒙特卡洛算法的结合,实现了对模型中状态的估计.最终在实际模型产生的模拟数据的基础上,通过文中所提算法与卡尔曼滤波算法的实例比较,验证了该方法的有效性.
【期刊名称】《电子科技》
【年(卷),期】2015(028)003
【总页数】3页(P30-32)
【关键词】纵向数据;线性状态空间模型;卡尔曼滤波;序贯蒙特卡洛算法;状态估计
【作 者】唐爱萍
【作者单位】西安电子科技大学数学与统计学院,陕西西安 710071
【正文语种】中 文
【中图分类】O212
状态空间模型［1］是一个重要的分析模型，在经济、工程、医学等领域发挥着重要作用。而线性状态空间模型是应用广泛的状态空间模型，尤其是在时间序列及控制数据中，较多数据模型如ARMA模型等均可转化成线性状态空间模型。对于参数已知的高斯线性状态空间模型，卡尔曼滤波［2］是一种非常有效的状态估计算法。除此之外，文献［3］首先提出了运用序贯蒙特卡洛的方法解决状态的估计问题。
纵向数据［4－5］的应用广泛，将其引入到线性状态空间模型中具有较大应用价值，但需克服的困难是如何处理高维数据以及同时实现每个个体的状态估计问题。文献［6］将个体参数当做隐变量，引入到混合效应方程［7］中，从而形成对混合效应状态空间模型(Mixed － Effects State Space Model，MESSM)的研究［7］，加入隐变量到线性状态空间模型后，此时模型变为非线性状态空间模型。对于非线性状态空间模型［8－9］，目前国内外已提出的方法有扩展卡尔曼滤波等算法，但却均不是最优的解决非线性状态空间模型的最优算法，且始终没有新的研究进展。而对于非线性混合效应状态模型的研究则更少。
Anallometricmodelformappingseed
developmentinplants
ZhongwenHuang,ChunfaTong,WenhaoBo,XiaomingPang,ZhongWang,JichenXu,JunyiGaiandRonglingWu
Abstract
Despiteatremendousefforttomapquantitativetraitloci(QTLs)responsibleforagriculturallyandbiologicallyim-portanttraitsinplants,ourunderstandingofhowaQTLgovernsthedevelopmentalprocessofplantseedsremainselusive.Inthisarticle,weaddressthisissuebydescribingamodelforfunctionalmappingofseeddevelopmentthroughtheincorporationoftherelationshipbetweenvegetativeandreproductivegrowth.ThetimedifferenceofreproductivefromvegetativegrowthisdescribedbyReeveandHuxley’sallometricequation.Thus,theimplementa-tionofthisequationintotheframeworkoffunctionalmappingallowsdynamicQTLsforseeddevelopmenttobeidentifiedmoreprecisely.ByestimatingandtestingmathematicalparametersthatdefineReeveandHuxley’sallo-metricequationsofseedgrowth,thedynamicpatternofthegeneticeffectsoftheQTLsidentifiedcanbeanalyzed.Weusedthemodeltoanalyzeasoybeandata,leadingtothedetectionofQTLsthatcontrolthegrowthofseeddryweight.ThreedynamicQTLs,locatedintwodifferentlinkagegroups,weredetectedtoaffectgrowthcurvesofseeddryweight.TheQTLsdetectedmaybeusedtoimproveseedyieldwithmarker-assistedselectionbyalteringthepatternofseeddevelopmentinahopetoachieveamaximumsizeofseedsataharvesttime.
