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: