基于加性噪聲的缺失數據因果推斷
大?。?/span>1.55 MB 人氣: 2018-01-14 需要積分:2
標簽:噪聲(47152)
推斷數據間存在的因果關系是很多科學領域中的一個基礎問題,然而現在暫時還沒有快速有效的方法對缺失數據進行因果推斷。為此,提出一種基于加性噪聲模型下適應缺失數據的因果推斷算法。該算法是基于加性噪聲模型下利用最大似然估計法結合加權樣本修復數據的思想構造以似然函數形式的模型評分函數,并以此度量模型相對于缺失數據集的優(yōu)劣程度,通過迭代學習確定因果方向,每次迭代學習包括使用參數修復數據和在修復后的完整數據集下估計參數。該方法既解決了加性噪聲模型中映射函數的參數學習困難性問題,又避免了現有學習方法所存在的主要問題。實驗表明,在數據缺失比例擴大的情況下該算法仍具有較高的識別能力。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
基于加性噪聲的缺失數據因果推斷下載
相關電子資料下載
- PC6100_40V/3ppm/°C低溫漂低噪聲高精度帶隙基準電壓源芯片 87
- 如何快速準確地測量相位噪聲 199
- 開關電源DC-DC模塊EMC整改案例 1170
- 三大法寶PSpice、LTspice、Multisim噪聲分析誰更準?怎么查看噪聲功率有效值? 59
- 如何解決差分探頭噪聲較大問題的方法 29
- 為什么用差分探頭測低頻信號噪聲很大? 219
- MEMS諧振傳感器新范式:熱噪聲驅動的傳感器的可行性與動態(tài)檢測性能 308
- 振蕩器動態(tài)相位噪聲優(yōu)化的四步實操指南 90
- 壓擺率為1000V/μs的低噪聲全差分放大器SC7515 133
- HC78L06對負載變化的響應速度較快,低壓差噪聲抑制小型化 95