[MCSM] 蒙特卡罗统计方法

起因

    最开始的时候，写多了LDPCC误码率的仿真，心中便越来越有了疑惑。误码率仿真，多为Monte Carlo仿真，其原理是什么，仿真结果是否可靠，可靠程度是多少，如何衡量其可靠性这些问题我都很不清楚。那大概是2015年3月16日的事情了。当初提出的关于LDPC的问题慢慢解决了，但这一类问题却一直没有得到解决。

    后来，百度参考了一些资料，问题非但没有减少，反而增加了。再后来，待维基百科上看了蒙特卡罗方法的简介，忽然觉得这个看似思想简单的方法有许多值得学习的地方。而之前接触过的粒子滤波和没有太看懂的吉伯斯采样都与其有密切的关系。由此便买了一本书来看，这本书就是Monte Carlo Statistical Methods（下文简称MCSM），至于为什么买这本书，因为亚马逊上搜索没有其他选择了。

经过

    后来看了一点，英文的不太好懂，渐渐就不想看了。正好那个时候有点别的事情（这段时间的成果多在ISE,FPGA和LDPCC译码器中），就许久没看了。但既然觉得有用的事情就要去做。所以今天我决定从现在开始，继续阅读。

    这篇文章，多是激励和监督的作用，阅读过程中的收获和心得将记录在这里，共勉。    ——2015-05-12

结果

    这将给出我阅读MCSM后的相关体会，将逐步更新和修改

    Exponential family: 指数分布族

时间： 2024-09-30 12:52:02

[MCSM] 蒙特卡罗统计方法的相关文章

pandas 常用统计方法

统计方法 pandas 对象有一些统计方法.它们大部分都属于约简和汇总统计,用于从 Series 中提取单个值,或从 DataFrame 的行或列中提取一个 Series. 比如 DataFrame.mean(axis=0,skipna=True) 方法,当数据集中存在 NA 值时,这些值会被简单跳过,除非整个切片(行或列)全是 NA,如果不想这样,则可以通过 skipna=False 来禁用此功能: ? 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

PCFG -- 基于统计方法生成语法树

语法树的作用 一棵语法树不仅包括了词性(part of speech), 还包括了短语(如名词短语, 动词短语)和结构化的信息(如主语, 谓语和宾语). 这些信息是进行机器翻译所必须的, 例如机器翻译中就需要使用到结构化信息, 来根据不同的语言规定调整主谓宾的顺序. 上下文无关语法 上下文无关语法(CFG)定义了描述语法树的要素. CFG 是一个四元组, 即(S, sigma, R, N), 其中 S 表示开始符号, sigma 表示词汇表, R 表示语法规则, N 表示非终端词. CFG 的问

语音通信系统网络资源分析统计方法

语音通信系统网络资源分析统计方法 针对语音通信中资源占用情况,本文档数据统计从两方面分析,磁盘读写和网络资源带宽分配, 磁盘读写 磁盘读写分析统计是通过iostat(linux系统自带工具)进行的. 用法:iostat 环境:20服务器两个号码4901和4902 结论:单路视频情况下,对磁盘读写影响非常小,近乎不占用磁盘 网络资源带宽分配 网络资源带宽分析统计是通过iftraf工具(linux系统自带工具)进行的. 用法:iptraf -deth6  #eth6是监控的网口 按"q"退

ASP.net中网站访问量统计方法代码(在线人数，本月访问，本日访问，访问流量，累计访问)

一.建立一个数据表IPStat用于存放用户信息 我在IPStat表中存放的用户信息只包括登录用户的IP(IP_Address),IP来源(IP_Src)和登录时间 (IP_DateTime),些表的信息本人只保存一天的信息,如果要统计每个月的信息则要保存一个月.因为我不太懂对数据日志的操作,所以创建此表,所 以说我笨吧,哈哈. 二.在Global.asax中获取用户信息 在Global.asax的Session_Start即新会话启用时获取有关的信息,同时在这里实现在线人数.访问总人数的增量统计

Shell 中常见的日志统计方法

前面我发布过"Hadoop兮,杀鸡别用牛刀,python+shell实现一般日志文件的查询.统计", 需要结合python, 可能还是有一定的门槛, 现将shell部分剥离出来. 举例一些最基本的日志统计方法. (1)查看文件 more crawler.log 查看crawler.log日志 tail -n 100 crawler.log 查看crawler.log的最后100行 (2)匹配统计 cat *.log | grep "ERROR" |wc -l 统计在

关于机器学习中规则与统计方法的思考

最近工作了一段时间,今天跟大家讨论一下关于“规则与模型”的问题. 大家肯定都知道,机器学习方法主要分两类,一类是基于统计的方法,比如贝叶斯.KNN等,都是对数据的某种特征进行归类计算得到数据划分的依据的:另一类是基于规则的方法,比如,语义规则,语法规则或者业务规则等等,这些规则主要是根据数据本身的特征人为地对分类细节进行限定,没有什么太高深的理论,但是实用性很强.当然,我觉得还有第三种方法,就是基于统计与基于规则相结合的方法,比如关联规则,apriori方法,或者决策树方法.这些方法在分类或者求

基本统计方法的选择与应用

一.确定资料的类型:分类资料.定量资料: 选择适当的统计方法,资料不同,设计不同,采用的分析方法不同:1.计量资料的比较(比较集中趋势是否不同):    (1)两组:t检验.Wilcoxon秩和检验 - 如:医保患者与自费患者住院天数是否不同?资料与设计:两组独立的计量资料比较统计方法:两独立样本 t 检验(independent samples t-test)分析结果:t=2.17,P=0.033 参数统计方法(t检验.ANOVA)有应用前提条件:A:资料满足正态性:B:比较的各组资料之间方差

一种高效的QPS统计方法

一.概述 对QPS的统计,通常是对一秒内各线程通过数据处理链中某一个切入点的次数进行累加计数.且不论采用何种方式都绕不开锁,那如何结合QPS统计的场景,减少线程之间对锁的竞争,是各实现方法考虑的重点问题.针对这个问题,Netflix的Hystrix限流组件中实现了一个十分高效的可进行QPS统计的工具类HystrixRollingNumber.java,该工具类也是集团限流工具Sentinel的核心.而该工具类的实现较为复杂,本文在该工具类的基础上做了一些实现上的改进,并在mac pro上用4个线

pandas学习(常用数学统计方法总结、读取或保存数据、缺省值和异常值处理)

pandas学习(常用数学统计方法总结.读取或保存数据.缺省值和异常值处理) 目录 常用数学统计方法总结 读取或保存数据 缺省值和异常值处理 常用数学统计方法总结 count 计算非NA值的数量 describe 针对Series或DataFrame列计算统计 min/max/sum 计算最小值 最大值 总和 argmin argmax 计算能够获取到最小值和最大值的索引位置(整数) idxmin idxmax 计算能够获取到最小值和最大值的索引值 quantile 计算样本的分位数(0到1)