數(shù)據(jù)生成 | MATLAB實(shí)現(xiàn)MCMC馬爾科夫蒙特卡洛模擬的數(shù)據(jù)生成

生成效果

基本描述

1.MATLAB實(shí)現(xiàn)MCMC馬爾科夫蒙特卡洛模擬的數(shù)據(jù)生成；
2.馬爾科夫鏈蒙特卡洛方法(Markov Chain Monte Carlo)，簡(jiǎn)稱MCMC，MCMC算法的核心思想是我們已知一個(gè)概率密度函數(shù)，需要從這個(gè)概率分布中采樣，來分析這個(gè)分布的一些統(tǒng)計(jì)特性。

模型描述

馬爾科夫蒙特卡洛模擬（Markov Monte Carlo simulation）是一種基于馬爾科夫鏈的隨機(jī)模擬方法，用于生成服從某個(gè)特定分布的數(shù)據(jù)樣本。下面是使用馬爾科夫蒙特卡洛模擬生成數(shù)據(jù)的一般過程：
定義狀態(tài)空間：確定數(shù)據(jù)的可能取值范圍，可以是一個(gè)離散的狀態(tài)空間或者一個(gè)連續(xù)的狀態(tài)空間。
構(gòu)建轉(zhuǎn)移矩陣：根據(jù)問題的特點(diǎn)，確定狀態(tài)之間的轉(zhuǎn)移概率。轉(zhuǎn)移矩陣描述了從一個(gè)狀態(tài)轉(zhuǎn)移到另一個(gè)狀態(tài)的概率。
初始化狀態(tài)：從狀態(tài)空間中選擇一個(gè)初始狀態(tài)。
進(jìn)行模擬：根據(jù)轉(zhuǎn)移矩陣和當(dāng)前狀態(tài)，按照一定的概率規(guī)則轉(zhuǎn)移到下一個(gè)狀態(tài)。重復(fù)這個(gè)過程多次，直到達(dá)到所需的樣本數(shù)量。
生成樣本：記錄每個(gè)狀態(tài)的取值，得到生成的數(shù)據(jù)樣本。

程序設(shè)計(jì)

• 完整程序和數(shù)據(jù)獲取方式：私信博主回復(fù)MATLAB實(shí)現(xiàn)MCMC馬爾科夫蒙特卡洛模擬的數(shù)據(jù)生成。

tempLayers = [convolution2dLayer([3, 1], 16, "Name", "conv_1", "Padding", "same")  % 建立卷積層,卷積核大小[3, 1]，16個(gè)特征圖reluLayer("Name", "relu_1")                                          % Relu 激活層convolution2dLayer([3, 1], 32, "Name", "conv_2", "Padding", "same")  % 建立卷積層,卷積核大小[3, 1]，32個(gè)特征圖reluLayer("Name", "relu_2")];                                        % Relu 激活層
lgraph = addLayers(lgraph, tempLayers);                                  % 將上述網(wǎng)絡(luò)結(jié)構(gòu)加入空白結(jié)構(gòu)中tempLayers = [sequenceUnfoldingLayer("Name", "sequnfold")                      % 建立序列反折疊層flattenLayer("Name", "flatten")                                  % 網(wǎng)絡(luò)鋪平層lgraph = addLayers(lgraph, tempLayers);                              % 將上述網(wǎng)絡(luò)結(jié)構(gòu)加入空白結(jié)構(gòu)中
lgraph = connectLayers(lgraph, "seqfold/out", "conv_1");             % 折疊層輸出 連接 卷積層輸入
lgraph = connectLayers(lgraph, "seqfold/miniBatchSize", "sequnfold/miniBatchSize"); % 折疊層輸出連接反折疊層輸入
lgraph = connectLayers(lgraph, "relu_2", "sequnfold/in");            % 激活層輸出 連接 反折疊層輸入%% 參數(shù)設(shè)置
options = trainingOptions('adam', ...     % Adam 梯度下降算法'MaxEpochs', 500,...                 % 最大訓(xùn)練次數(shù) 1000'InitialLearnRate', best_lr,...          % 初始學(xué)習(xí)率為0.001'L2Regularization', best_l2,...         % L2正則化參數(shù)'LearnRateSchedule', 'piecewise',...  % 學(xué)習(xí)率下降'LearnRateDropFactor', 0.1,...        % 學(xué)習(xí)率下降因子 0.1'LearnRateDropPeriod', 400,...        % 經(jīng)過800次訓(xùn)練后 學(xué)習(xí)率為 0.001*0.1'Shuffle', 'every-epoch',...          % 每次訓(xùn)練打亂數(shù)據(jù)集'ValidationPatience', Inf,...         % 關(guān)閉驗(yàn)證'Plots', 'training-progress',...      % 畫出曲線'Verbose', false);%% 訓(xùn)練
net = trainNetwork(p_train, t_train, lgraph, options);

參考資料

[1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128690229