作者 Nasrin Sadeghianpurhamami , 德雷斯·贝诺特 ( 根特大学 ) , 德克·德什里杰 ( 根特大学 ) 和 克里斯·德弗尔德 ( 根特大学 ) 组织 摘要 本文提出了一种基于马尔可夫链蒙特卡罗抽样的Metropolis-Hastings算法来估计二元循环线性数据的Abe-Ley分布的参数，该分布是最近提出的Weibull-Sine-Skewed-von-Mises混合模型。 目前的文献使用期望最大化方法估计这些混合模型的参数，但我们将表明，对于考虑的混合模型，这表现出一些缺点。 首先，标准期望最大化不能保证收敛到全局最优，因为似然是多模态的，这是由混合似然的高维性造成的。 其次，鉴于期望最大化仅提供参数的点估计，这些方法无法直接获得估计的不确定性（例如置信区间）。 因此，需要额外的计算来量化这种不确定性。 我们提出了一种基于Metropolis-Hastings的算法，避免了期望最大化的两个缺点。 事实上，Metropolis-Hastings提供了对完整（后验）分布的近似值，因为它是从混合参数的联合后验进行采样的。 这有助于从估计中直接推断（例如，关于不确定性、多模态）。 在开发该算法时，我们解决了各种挑战，包括收敛速度、标签切换和选择最佳混合成分数。 然后，我们（i）在具有已知真参数的样本数据集上验证了所提算法的有效性，并进一步（ii）在环境数据集（测量是方向函数的Abe-Ley混合物的传统应用领域）上验证了我们的方法。 最后，我们（iii）证明了我们的方法在应用领域中的有用性，其中圆形测量是周期性的。 （C） 2018 Elsevier Inc.保留所有权利。 关键词 循环器-循环数据 , 边际利好 , 分配 , 圆柱形数据 , 圆柱形混合概率模型 , 阿贝·雷 , 分布 , WeiSSVM分布 , 大都会-黑斯廷斯 , 贝叶斯主义者 , 推理
引用
MLA公司 -
Sadeghianpourhamami，Nasrin等人，《使用Abe-Ley混合的贝叶斯柱面数据建模》 应用数学建模 2019年第68卷，第629-42页，doi:10.1016/j.apm.2018.11.039。 亚太地区 -
Sadeghianpourhamami，N.、Benoit，D.、Deschrijver，D.和Develder，C.（2019年）。 使用Abe-Ley混合的贝叶斯柱面数据建模。 应用数学建模 , 68 , 629–642. https://doi.org/10.1016/j.apm.2018.11.039 芝加哥作者日期 -
Sadeghianpourhamami、Nasrin、Dries Benoit、Dirk Deschrijver和Chris Develder。 2019.“使用Abe-Ley混合的贝叶斯柱面数据建模” 应用数学建模 68: 629–42. https://doi.org/10.1016/j.apm.2018.11.039。 芝加哥作者日期（所有作者） -
萨德吉安波拉马米、纳斯林、德雷斯·贝诺特、德克·德斯克里弗和克里斯·德弗尔德。 2019.“使用Abe-Ley混合的贝叶斯柱面数据建模” 应用数学建模 68: 629–642. doi:10.1016/j.apm.2018.11.039。 温哥华 -
1 Sadeghianpourhamami N，Benoit D，Descrijver D，Develd C.使用Abe-Ley混合物的贝叶斯柱面数据建模。 应用数学建模。 2019; 68:629–42. 电气与电子工程师协会 -
[1] N.Sadeghianpourhamami、D.Benoit、D.Deschrijver和C.Develder，“使用Abe-Ley混合物的贝叶斯柱面数据建模” 应用数学建模 第68卷，第629-642页，2019年。
@第{8603555条， 抽象={ {本文提出了一种基于马尔可夫链蒙特卡罗抽样的Metropolis-Hastings算法来估计二元循环线性数据的Abe-Ley分布的参数，该分布是最近提出的Weibull-Sine-Skewed-von-Mises混合模型 离子最大化方法，但我们将表明，对于考虑的混合模型，这表现出一些缺点。 首先，标准期望最大化不能保证收敛到全局最优，因为似然是多模态的，这是由混合似然的高维性造成的。 其次，鉴于期望最大化仅提供参数的点估计，这些方法无法直接获得估计的不确定性（例如置信区间）。 因此，需要额外的计算来量化这种不确定性。 我们提出了一种基于Metropolis-Hastings的算法，避免了期望最大化的两个缺点。 事实上，Metropolis-Hastings提供了对完整（后验）分布的近似值，因为它是从混合参数的联合后验进行采样的。 这有助于从估计中直接推断（例如，关于不确定性、多模态）。 在开发该算法时，我们解决了各种挑战，包括收敛速度、标签切换和选择最佳混合成分数。 然后，我们（i）在具有已知真参数的样本数据集上验证了所提算法的有效性，并进一步（ii）在环境数据集（测量是方向函数的Abe-Ley混合物的传统应用领域）上验证了我们的方法。 最后，我们（iii）证明了我们的方法在应用领域中的有用性，其中圆形测量是周期性的。 （C） 2018爱思唯尔公司版权所有。｝｝， author={{Sadeghianpourhamami，Nasrin和Benoit，Dries和Deschrijver，Dirk和Develder，Chris}}， issn={{0307-904X}}， journal={{应用数学建模}}， keywords={{CIRCULAR-CIRCULAR DATA，MARGINAL LIKELIHOOD，DISTRIBUTIONS，圆柱形数据，圆柱形混合概率模型，Abe-Ley，distribution，WeiSSVM分布，Metropolis-Hastings，Bayesian，inference}}， 语言={{eng}}， 页面={{629--642}}， title={{使用Abe-Ley混合物的贝叶斯柱面数据建模}}， url={{ http://doi.org/10.1016/j.apm.2018.11.039 }}， 体积={{68}}， 年份＝｛｛2019｝｝， }
海拔高度 在Altmetric中查看 科学网 引用次数：