دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: الگوریتم ها و ساختارهای داده ویرایش: نویسندگان: Geweke J., Tanizaki H. سری: ناشر: سال نشر: 2001 تعداد صفحات: 20 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 150 کیلوبایت
در صورت تبدیل فایل کتاب Bayesian estimation of state-space models using the Metropolis-Hastings algorithm within Gibbs sampling به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تخمین بیزی مدل های فضای حالت با استفاده از الگوریتم متروپلیس-هیستینگ در نمونه گیری گیبس نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
در این مقاله، تلاشی برای نشان دادن یک راهحل کلی برای مدلسازی فضای حالت غیرخطی و/یا غیر گاوسی در چارچوب بیزی انجام شده است که با توسعه کارلین و همکاران مطابقت دارد. (J. Amer. Statist. Assoc. 87(418} (1992) 493-500) و Carter and Kohn (Biometrika 81(3} (1994) 541-553; Biometrika 83(3) (1996) 589-601). با استفاده از نمونهگر گیبس و الگوریتم متروپلیس-هیستینگ، یک تخمین مجانبی دقیق از میانگین هموارسازی از هر مدل غیرخطی و/یا غیر گاوسی به دست میآید. علاوه بر این، با در نظر گرفتن چندین نامزد تابع چگالی پیشنهاد، دقت بیز پیشنهادی را بررسی میکنیم. برآوردگر
In this paper, an attempt is made to show a general solution to nonlinear and/or non-Gaussian state-space modeling in a Bayesian framework, which corresponds to an extension of Carlin et al. (J. Amer. Statist. Assoc. 87(418} (1992) 493-500) and Carter and Kohn (Biometrika 81(3} (1994) 541-553; Biometrika 83(3) (1996) 589-601). Using the Gibbs sampler and the Metropolis-Hastings algorithm, an asymptotically exact estimate of the smoothing mean is obtained from any nonlinear and/or non-Gaussian model. Moreover, taking several candidates of the proposal density function, we examine precision of the proposed Bayes estimator.