به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

hamiltonian monte carlo algorithm

در نشریات گروه آمار
تکرار جستجوی کلیدواژه hamiltonian monte carlo algorithm در نشریات گروه علوم پایه
تکرار جستجوی کلیدواژه hamiltonian monte carlo algorithm در مقالات مجلات علمی
  • فاطمه حسینی*، امید کریمی

    برای مدل بندی پاسخ های فضایی گسسته، مدل های آمیخته خطی تعمیم یافته فضایی استفاده می شود. در این مدل ها همبستگی فضایی داده ها به صورت متغیرهای پنهان فضایی وارد مدل می شود. معمولا برای سادگی فرض می شود که متغیرهای پنهان دارای توزیع نرمال هستند که نادرست بودن این فرض برروی دقت نتایج تاثیرگذار است.در این مقاله متغیرهای پنهان با میدان تصادفی چوله گاوسی بسته مدل بندی می شوند که بزرگ تر و انعطاف پذیرتر از میدان تصادفی گاوسی می باشد. یک الگوریتم جدید برای به دست آوردن برآورد ماکسیمم درستنمایی پارامترها معرفی می شود. اساس الگویتم معرفی شده بر مبنای الگوریتم ماکسیمم سازی امیدریاضی و نوعی الگوریتم مونت کارلویی همیلتونی است. کارایی و سرعت الگوریتم معرفی شده در یک مثال شبیه سازی بررسی می شود.

    کلید واژگان: مدل های آمیخته خطی تعمیم یافته فضایی، الگوریتم مونت کارلوی همیلتونی، میدان تصادفی چوله گاوسی بسته
    Fatemeh Hosseini*, Omid Karimi

    Spatial generalized linear mixed models are used commonly for modeling discrete spatial responses. In this models the spatial correlation of the data is considered as spatial latent variables. For simplicity, it is usually assumed in these models that spatial latent variables are normally distributed. An incorrect normality assumption may leads to inaccurate results and is therefore erroneous. In this paper we model the spaial latent variables in a general random field, namely the closed skew Gaussian random field which is more flexible and includes the Gaussian random field. We propose a new algorithm for maximum likelihood estimates of the parameters. A key ingredient in our algorithm is using a Hamiltonian Monte Carlo version of the EM algorithm. The performance of the proposed model and algorithm is presented through a simulation study.

    Keywords: Spatial Generalized Linear Mixed Model, Hamiltonian Monte Carlo Algorithm, Closed Skew Gaussian Random Field
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال