文件名称：mcmc-demo:交互式马尔可夫链蒙特卡洛Javascript演示
文件大小：17.2MB
文件格式：ZIP
更新时间：2024-05-18 12:57:06
JavaScript
马尔可夫链蒙特卡洛互动画廊 示例：汉密尔顿蒙特卡洛 单击下面的算法以查看交互式演示，您可以在其中即时更改算法参数： 标准MCMC方法 DE-MCMC-Z [7] 非马尔可夫迭代采样方法 斯坦因变异梯度下降（SVGD） [5] 使用RadFriends（RadFriends-NS）进行嵌套采样[6] 参考 [1] H. Haario，E。Saksman和J. Tamminen，一种自适应Metropolis算法（2001年） [2] MD Hoffman，A。Gelman， “不准掉头转动的采样器：在哈密顿量的蒙特卡洛中自适应设置路径长度” （2011年） [3] GO Roberts，RL Tweedie， Langevin分布及其离散近似的指数收敛性（1996年） [4]李子Ma等。 通过Hessian-Hamiltonian动力学ACM Transactions
【文件预览】：
mcmc-demo-master
----app.html(4KB)
----docs()
--------rwmh.gif(3.56MB)
--------nuts.gif(3.78MB)
--------hmc.gif(3.4MB)
--------svgd.gif(6.66MB)
--------mala.gif(1.96MB)
----.prettierrc(461B)
----index.html(4KB)
----LICENSE(1KB)
----main()
--------Simulation.js(10KB)
--------MultivariateNormal.js(2KB)
--------Visualizer.js(29KB)
--------MCMC.js(5KB)
----algorithms()
--------NaiveNUTS.js(5KB)
--------DE-MCMC-Z.js(2KB)
--------H2MC.js(4KB)
--------EfficientNUTS.js(4KB)
--------HamiltonianMC.js(2KB)
--------DualAveragingHMC.js(4KB)
--------DualAveragingNUTS.js(7KB)
--------AdaptiveMH.js(2KB)
--------MALA.js(2KB)
--------SVGD.js(4KB)
--------NSRadFriends.js(19KB)
--------RandomWalkMH.js(1KB)
--------GibbsSampling.js(1KB)
----lib()
--------linalg.core.js(23KB)
--------canvas-5-polyfill.js(18KB)
--------conrec.min.js(7KB)
--------linalg.opt.js(3KB)
--------dat.gui.min.js(47KB)
----README.md(4KB)