Bejeza šūnu automāti — Pārejas likumu probabilitatiskā kalibrēšana, izmantojot Bejeza inferenci
Bejeza šūnu automāti (BCA) apvieno klasisko šūnu automātu lokālo likumu telpiskās dinamikas ar Bejeza inferenci, lai apgūtu vai kalibrētu pārejas varbūtības no novērotajiem datiem. Tā vietā, lai noteiktu likumus manuāli, analītiķis kodē iepriekšējas zināšanas par to, kā šūnas maina stāvokli, un atjaunina šīs pārliecības ar empīriskiem pierādījumiem, radot likumu parametru aizmugurējo sadalījumu, kas vada principālu uz nenoteiktību vērstu simulāciju.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Hosseinali, F., Alesheikh, A. A., Nourian, F. (2013). Agent-based modeling of urban land-use development, case study: Simulating future scenarios of Qazvin city. Cities, 31, 105-113. DOI: 10.1016/j.cities.2012.09.002 ↗
- Cellular automaton. Wikipedia. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Cellular Automata — Probabilistic calibration of transition rules via Bayesian inference. ScholarGate. https://scholargate.app/lv/simulation/bayesian-cellular-automata
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Aģentu balstīta šūnu automātiSimulācija↔ compare
- Bayesian Agent-Based ModelingSimulācija↔ compare
- Bayesiešu Markovas modelisSimulācija↔ compare
- Markov ModelSimulācija↔ compare
- Monte Carlo simulācijaLēmumu pieņemšana↔ compare
- Stohastiskie šūnu automātiSimulācija↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →