安德烈，C。;朱里奇，P.M。;A.杜塞特。 通过MCMC计算进行模型选择。 （英语） Zbl 1098.94514号 信号处理。 81，第1期，第19-37页（2001年）. 摘要：MCMC采样是一种在统计信号处理中变得越来越重要的方法。它对基于贝叶斯的信号处理方法特别重要，因为它大大扩展了它们可以解决的问题的范围。MCMC技术通过将期望分布嵌入为马尔可夫链的极限分布，从期望分布中生成样本。MCMC方法的分类方法有很多种，但最简单的方法是将其分为两组：第一组用于估计问题，其中未知量通常是模型的参数，假设模型生成了观测数据；第二种方法用于更一般的场景，其中未知项不仅是模型参数，而且也是模型。在本文中，我们讨论了第二组MCMC方法，该方法允许从定义在不同维不相交空间的并集上的概率分布生成样本。更具体地说，我们展示了为什么从这样的分布中采样是一项不平凡的任务。可以证明，这些方法真正统一了检测和估计的操作，从而为各种重要应用提供了巨大的潜力。重点是可逆跳跃MCMC[P.J.格林《生物特征》82，No.4，711-732（1995；Zbl 0861.62023号)]，但也讨论了其他方法。对两个示例提供了可逆跳跃MCMC的实现细节。 引用于三文件 理学硕士： 94甲12 信号理论（表征、重建、滤波等） 2015年1月62日 贝叶斯推断 62M99型 随机过程推断 62B15号机组 统计实验理论 关键词：贝叶斯模型选择;马尔可夫链蒙特卡罗方法;可逆跳跃MCMC 引文：Zbl 0861.62023号 PDF格式BibTeX公司 XML格式引用 \textit{C.Andrieu}等人，《信号处理》。81，第1号，19--37（2001；Zbl 1098.94514） 全文： 内政部