如何通过使一个总是小于另一个来约束两个参数？在里格斯

Question

我使用指数函数来拟合学习曲线。这是函数形式：

y = (w - alpha) * e^(-x / gamma) + alpha,

其中w是学习之前的初始阈值，alpha是学习之后的最终阈值，gamma是学习率，x是学习天数，{{1 }}是阈值。 我有一个问题：Rjags如何拟合y总是比alpha小？ 谢谢！ 潘

Answer 1

编辑版本 我认为第一个版本给出了一个清晰的主意，即如何以一种相当简单的方式解决这一简单的难题。所以这里有公式

y = (w - alpha) * e^(-x / gamma) + alpha

，我们希望w，alpha和gamma大于或等于零。 这等效于正偏移，正衰减常数和正振幅。 和以前一样，可以通过简单的替换来实现

alpha = beta^2
gamma = epsilon^2
w - alpha = tau^2

我们适合

y = tau^2 * e^( -x / epsilon**2 ) + beta**2

即正偏移，正衰减常数和正振幅。

最后，我们重新计算

alpha = beta^2
gamma = epsilon^2
w = tau^2 + beta^2

错误是由standard error propagation获得的，其中相关性可能对w起作用