《模式识别原理、应用及实现》 课件 3.3 贝叶斯估计与贝叶斯学习.pptVIP

3.3贝叶斯估计与贝叶斯学习武汉理工大学3.3贝叶斯估计与贝叶斯学习贝叶斯估计可描述为给定样本集，对样本的概率密度函数的真实参数进行估计，使其估计值带来的贝叶斯风险最小。3.3贝叶斯估计与贝叶斯学习贝叶斯估计和贝叶斯学习将未知参数看作随机参数进行考虑。1．贝叶斯估计和贝叶斯学习的概念1）贝叶斯估计步骤：2）贝叶斯学习迭代计算式的推导：（4-72）（4-71）式中除样本XN以外其余样本的集合（4-72）（4-73）将（4-73）式代入（4-72）式得类似地，（4-74）（4-75）将（4-75）式代入（4-74）式得（4-76）参数估计的递推贝叶斯方法，迭代过程即是贝叶斯学习的过程迭代式的使用：*给出X2，对用X1估计的结果进行修改。2．正态分布密度函数的贝叶斯估计和贝叶斯学习1）贝叶斯估计*逐次给出X3，X4，…，XN，得到式中，（4-79）有由于有式中，——与最大似然估计形式类似式中，同前2）贝叶斯学习图4.14均值的贝叶斯学习过程示意图可见：多维正态分布：，C已知，M未知。则利用贝叶斯估计得到的M的后验概率密度函数为其中，根据贝叶斯学习得到的类概率密度函数为