基于连续型贝叶斯概率估计器预测原子核质量
近年来，机器学习方法被广泛应用于对原子核质量的预测中。基于连续型贝叶斯概率（Continuous Bayesian Probability，CBP）估计器，结合贝叶斯模型平均（Bayesian Model Averaging，BMA）改进了理论模型对核质量的描述。在CBP方法中，核质量理论值与实验值的差异被视为连续变量，通过核密度估计（Kernel Density Estimation，KDE）生成其先验和似然概率密度函数，并以贝叶斯定理确定后验概率密度函数。在全局优化和外推分析中，CBP方法显著提升了理论模型预测的精确度。此外，BMA方法基于各模型对基准核的预测表现为每个模型分配权重，平衡了...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | zho |
| Published: |
Science Press
2025-05-01
|
| Series: | He jishu |
| Subjects: | |
| Online Access: | https://www.sciengine.com/doi/10.11889/j.0253-3219.2025.hjs.48.250104 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|