Geri Dön

Generalised Bayesian model selection using reversible jump Markov chain Monte Carlo

Tersine atlamalı Markov zinciri Monte Carlo kullanarak genelleştirilmiş Bayesçi model seçimi

PDF İndir

  1. Tez No: 492552
  2. Yazar: OKTAY KARAKUŞ
  3. Danışmanlar: DOÇ. DR. MUSTAFA AZİZ ALTINKAYA, DOÇ. DR. ERCAN ENGİN KURUOĞLU
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: İngilizce
  9. Üniversite: İzmir Yüksek Teknoloji Enstitüsü
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 207

Özet

Bu tezin temel amacı, tersine atlamalı Markov zinciri Monte Carlo (RJMCMC) algoritmasına dayanan model seçimi için genel Bayesçi bir çerçeve önermektir. Özellikle, farklı sınıfların veya yapıların uzaylarını keşfetmek şeklindeki orijinal formülasyonundan istifade ederek RJMCMC'nin keşfedilmemiş potansiyellerini model seçim uygulamalarında ortaya koymayı ve böylece RJMCMC'nin sadece boyutlar arası bir model seçim algoritması olmaktan daha geniş bir yorum sunduğunu göstermeyi amaçlıyoruz. Genel uygulama, RJMCMC'yi boyutlar arası çerçevede, örneğin; AR ve ARMA ve karışım süreçleri gibi doğrusal zaman serilerinin model kestirimi çalışmalarında kullanmak yönündedir. Biz bu tezde, RJMCMC üzerine, algoritmanın keşfedilmemiş potansiyelini ortaya koyan yeni bir yorum öneriyoruz. Bu yeni yorum, önce doğrusal ve doğrusal olmayan modellerin uzaylarını, doğrusal olmayan (polinom) zaman serisi modelleri ile araştırarak, klasik boyutlar arası yaklaşımdan çok daha derin bir anlama genişletmektedir. Polinom süreç modelleme çalışmasını takiben, model boyutlarına bakılmaksızın çeşitli genel model uzayları arasında geçişler gerçekleştiren yeni tip bir RJMCMC geçişinin tanımı yapılmıştır. Ardından, bu yeni yaklaşımı bir OFDM iletişim sisteminin doğrusal olmayan kanal kestirimi uygulaması ile Volterra sistemlerinin tanılanmasında kullanılmıştır. Önerilen RJMCMC geçişi, model uzaylarının ortak özelliklerini (norm gibi) eşleştirerek farklı dağılım ailelerinin uzaylarını keşfetmek üzere ayarlanmış ve bu, bize, gözlemlenen gerçek hayat veri setleri için, örneğin; güç hattı iletişim sistemlerindeki dürtüsel gürültü, sismik ivme zaman serileri, uzaktan algılama imgeleri vb., bir dağılım kestirimi çalışması yapmaya yöneltmiştir. Benzetim sonuçları, doğrusal olmayan derece tahmininde ve farklı model sınıfları arasındaki geçişlerde önerilen yöntemin olağanüstü performansını ortaya koymaktadır. Önerilen yöntem, RJMCMC'yi alışılagelmemiş bir şekilde kullanmakta ve farklı model sınıflarının uzayları arasında tersine atlama mekanizmasını gerçekleştirerek genel bir kestirim yöntemi olma potansiyelini ortaya koymaktadır.

Özet (Çeviri)

The main objective of this thesis is to suggest a general Bayesian framework for model selection based on reversible jump Markov chain Monte Carlo (RJMCMC) algorithm. In particular, we aim to reveal the undiscovered potentials of RJMCMC in model selection applications by exploiting the original formulation to explore spaces of different classes or structures and thus, to show that RJMCMC offers a wider interpretation than just being a trans-dimensional model selection algorithm. The general practice is to use RJMCMC in a trans-dimensional framework e.g. in model estimation studies of linear time series, such as AR and ARMA and mixture processes, etc. In this thesis, we propose a new interpretation on RJMCMC which reveals the undiscovered potentials of the algorithm. This new interpretation, firstly, extends the classical trans-dimensional approach to a much wider meaning by exploring the spaces of linear and nonlinear models in terms of the nonlinear (polynomial) time series models. Polynomial process modelling is followed by the definition of a new type of RJMCMC move that performs transitions between various generic model spaces irrespective of model sizes. Then, we apply this new framework to the identification of Volterra systems with an application of nonlinear channel estimation of an OFDM communication system. The proposed RJMCMC move has been adjusted to explore the spaces of different distribution families by matching the common properties of the model spaces such as norm, and this leads us to perform a distribution estimation study of the observed real-life data sets including, impulsive noise in power-line communications, seismic acceleration time series, remote sensing images, etc. Simulation results demonstrate the remarkable performance of the proposed method in nonlinearity degree estimation and in transitions between different classes of models. The proposed method uses RJMCMC in an unorthodox way and reveals its potential to be a general estimation method by performing the reversible jump mechanism between spaces of different model classes.

Benzer Tezler

  1. Tez No

    325527

    Probabilistic tensor factorization for link prediction

    Bağlantı tamini için olasılıksal tensör ayrışımı

    BEYZA ERMİŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. ALİ TAYLAN CEMGİL

  2. Tez No

    102393

    Portföy yönetiminde dinamik varlık yönetim stratejileri

    Dynamic asset allocation strategies in portfolio management

    MUSTAFA DUMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2000

    BankacılıkMarmara Üniversitesi

    Sermaye Piyasası ve Borsa Ana Bilim Dalı

    YRD. DOÇ. DR. ÖZLEM KOÇ

  3. Tez No

    468152

    Çok değişkenli Bernoulli lojistik modellerde LASSO tahmincileriyle model seçimi

    LASSO feature selection in multivariate Bernoulli logistic models

    ASLI YAMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    İstatistikOndokuz Mayıs Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. MEHMET ALİ CENGİZ

  4. Tez No

    553369

    Randomize olmayan klinik çalışmalarda en uygun eşleştirme analizi için makine öğrenme algoritmaları ile yeni propensity skor tahmin modellerinin geliştirilmesi

    Development of new propensity score estimation models with machine learning algorithms for optimal matching analysis in non-randomized clinical trials

    EMRE DEMİR

    Doktora

    Türkçe

    Türkçe

    2019

    BiyoistatistikAnkara Üniversitesi

    Biyoistatistik Ana Bilim Dalı

    DOÇ. DR. SERDAL KENAN KÖSE

  5. Tez No

    649359

    Bayesian model pooling for the analysis of generalized linear models with missing-not-at-random covariates

    Rastgele olmayan kayıp verili değişkenler içeren genelleştirilmiş doğrusal modellerin analizi için Bayesiyen model havuzu

    SEZGİN ÇİFTÇİ

    Doktora

    İngilizce

    İngilizce

    2020

    İstatistikOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. ZEYNEP IŞIL KALAYLIOĞLU AKYILDIZ

Geri Dön