导读:本文包含了贝叶斯模型选择论文开题报告文献综述、选题提纲参考文献，主要关键词:模型,推断,变量,算法,方差,基因组,小鼠。
贝叶斯模型选择论文文献综述写法
赵远英,侯颖,顾大刚,徐登可[1]（2019）在《联合均值与方差模型的贝叶斯变量选择》一文中研究指出受Kuo和Mallick思想的启发,文章应用Gibbs抽样和MH算法对联合均值与方差模型的贝叶斯变量选择问题进行研究。数值例子说明了该变量选择方法的可行性和有效性。(本文来源于《统计与决策》期刊2019年15期）
张会会[2]（2019）在《贝叶斯模型选择中的悖论研究》一文中研究指出贝叶斯模型选择在各个领域中有着重要的应用,如分析经典假设检验、生物系统发生树的构建问题等,因而受到国内外数学、统计、生物等众多领域研究学者的广泛关注。但是在某些特别的情况下,贝叶斯模型选择会出现悖论现象,导致一般的贝叶斯模型选择方法不适用于某些模型选择。目前主要有四种模型选择悖论:无自由参数模型悖论、相切型模型悖论、重迭型模型悖论、交叉型模型悖论。本文主要研究重迭型模型选择中的悖论问题,重迭型模型即备择模型Hk有重迭部分,当真实值属于重迭部分的区域时,备择模型与真实模型的K-L距离相等且等于0,即模型为相同对模型,应以均等的概率1/k选择任意一个模型。但是通过探究备择模型后验概率的渐近行为,发现随着数据量的增加备择模型的后验概率收敛到一特殊分布而非期望的退化分布1/k,从而出现了模型选择悖论问题。文章中主要利用常见的正态分布、二项分布证明了重迭型模型中悖论的存在,同时提出将先验分布中的超参数依赖于数据量的方法来解决悖论问题。发现当参数的先验分布中超参数取值大于1/2且小于1时,随着数据量的增加,备择模型的后验概率收敛到单点分布1/k,从而解决了重迭型模型选择中的悖论问题。(本文来源于《北京交通大学》期刊2019-06-01）
张晨[3]（2019）在《基于近似贝叶斯计算的参数估计和模型选择的研究》一文中研究指出贝叶斯统计推断方法作为统计学研究中的重要分支之一,它在各个研究领域有着广泛的应用。在贝叶斯统计推断过程中,如何选择并计算似然函数是最核心问题。特别地,在生物数学领域中,随着统计模型的不断发展,模型的似然函数越来越复杂,往往不具有解析表达式或者过于复杂导致无法计算,基于复杂似然函数的贝叶斯推断很困难。此时,近似贝叶斯计算(Approximate Bayesian Computation,ABC)方法可以很好地解决这一问题。本文将从理论分析,算法设计以及实际应用这叁个方面对目前常见的近似贝叶斯计算方法进行了深入的探讨。本文针对各个算法进行了详实的比较,提出了一种基于粒子滤波器和蒙特卡洛方法的模型选择算法,并应用于系列SIR模型选择问题。本文涵盖的具体研究内容如下:1.近似贝叶斯计算的基本原理的描述以及讨论实现过程中汇总统计量的选取和容差阈值的界定;2.传统的ABC拒绝算法、ABC回归算法,以及基于马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法的ABC-MCMC算法和基于粒子滤波器的ABC部分拒绝控制(partial rejection control,PRC)算法、ABC种群蒙特卡洛(population Monte Carlo,PMC)算法、ABC序贯蒙特卡洛(sequential Monte Carlo,SMC)算法的介绍和比较;3.基于粒子滤波器和蒙特卡洛方法,提出了一种ABC-PMC模型选择算法;4.参数估计和模型选择的应用实例:二项分布模型,泊松分布模型,流感病毒传染模型以及经典传染病模型选择问题。(本文来源于《合肥工业大学》期刊2019-04-01）
邸俊鹏,张晓峒[4]（2019）在《二元选择分位数回归模型的贝叶斯估计方法及模拟研究》一文中研究指出文章针对二元选择分位数回归模型的贝叶斯估计方法进行探索性研究。通过模拟实验比较分析了不同先验设定和不同抽样算法下贝叶斯二元选择分位数回归估计量的统计性质,以及贝叶斯方法与频率学派方法对二元选择分位数模型进行估计的优劣。结果表明,对二元选择分位数回归模型进行贝叶斯估计具有一定的优势,尤其是小样本下,估计效果更佳;而且采用Gibbs抽样得到的估计量精度更高,统计推断更准确,尤其是在高分位数下Gibbs抽样的优势更明显。(本文来源于《统计与决策》期刊2019年05期）
井晓丹,朱永忠,井睿[5]（2019）在《一类改进的贝叶斯模型选择方法》一文中研究指出文章针对线性回归问题中的模型选择进行了研究,从理论上提出了将k折交叉验证与投影预测法相结合的模型选择方法,通过数据仿真验证了此方法的合理性。(本文来源于《统计与决策》期刊2019年01期）
赵远英,段星德,庞一成[6]（2018）在《单纯形分布联合位置与散度模型的贝叶斯变量选择》一文中研究指出受Kuo和Mallick思想的启发,文章应用Gibbs抽样和MH算法研究单纯形分布联合位置与散度模型的贝叶斯变量选择问题。模拟研究的数值例子说明了该方法的可行性与有效性。(本文来源于《统计与决策》期刊2018年23期）
徐曼,甘丹,沈江[7]（2018）在《基于互信息的贝叶斯-案例检索特征选择模型》一文中研究指出案例检索过程中案例集存在特征冗余,使得检索效率和准确度较低。传统的基于贝叶斯网络案例检索特征选择模型(BN-CBR)对先验知识利用效率不高,且不能有效选择消除冗余性的特征子集。构建基于互信息的贝叶斯-案例检索特征选择模型(MI-BNCBR),采用特征冗余度和互信息计算案例特征的综合权重,改善BN-CBR模型对先验知识利用效率不高的问题,其采用互信息方法可消除案例集中的冗余特征并得到最优特征子集,采用基于远端最近距离计算的K-D树方法进一步改善基于互信息的贝叶斯-案例检索的效率,并利用医学基准数据进行实验,结果表明所引入的方法有效地提高了案例检索的准确度和检索效率。(本文来源于《工业工程与管理》期刊2018年05期）
赵浪[8]（2018）在《区间删失数据下两类回归模型的贝叶斯自适应Lasso变量选择》一文中研究指出在生存分析研究中,普遍存在着高维数据。高维数据下的变量选择是生存分析中主要的研究问题之一。一般这种变量选择是在回归模型的框架下实现的。本文的主要研究内容为区间删失数据下两类回归模型的贝叶斯自适应Lasso变量选择研究,通过贝叶斯自适应Lasso变量选择方法进行Cox模型和AFT模型的变量选择和回归系数估计。第一部分主要研究区间I型删失数据下基于贝叶斯自适应Lasso方法的半参数Cox比例风险回归模型的变量选择,解决未知的基准风险函数是构建Cox比例风险模型的关键;本文将选取叁次样条来逼近基准风险函数,然后通过分层贝叶斯结构来构建Cox比例风险模型下贝叶斯自适应Lasso,对待估参数寻找合适的先验分布(如正态分布、指数分布、伽马分布等),通过后验推断得到Cox比例风险模型下的BaLasso变量选择的后验分布。最后,通过MH与Gibbs相结合的MCMC抽样算法求解待估参数并进行变量选择。通过多种情况下的模拟,验证了模型方法的有效性。第二部分主要研究区间I型删失数据下基于贝叶斯自适应Lasso方法的AFT模型的变量选择,通过对AFT模型中残差项、对数项方差的建模以及分层贝叶斯结构来构建AFT模型下贝叶斯自适应Lasso,对待估参数寻找合适先验分布(如正态分布、指数分布、伽马分布等),通过后验推断得到AFT模型下的Ba Lasso变量选择的后验分布。最后,通过MH与Gibbs相结合的MCMC抽样算法进行求解待估参数并进行变量选择。通过多种情况下的模拟,验证了模型方法的有效性。(本文来源于《长春工业大学》期刊2018-06-01）
熊思灿[9]（2018）在《数量性状位点定位以及基因组选择中的贝叶斯变量选择模型和方法》一文中研究指出近二十多年来,数量性状位点定位和基因组选择研究成为动植物以及人类基因组学研究的热点之一。随着高密度遗传图谱的逐步建立,标记位点个数动辄成千上万,甚至数以百万计。传统的数量性状位点定位方法以及基因组选择方法,不能很好的处理这种高维甚至超高维数据建模问题。因此,为了追求更高精度的定位以及预测效果,研究者生产了大量的实验品系。设计基于这些实验品系的统计方法成为一项十分重要的研究工作。针对在动物实验中产生的多亲合作杂交小鼠品系,本文引入随机效应项来刻画个体之间存在的不均衡亲属关系,建立了联合考虑八个祖先的主基因效应以及亲源效应的混合线性模型。而针对在植物选育种中产生的甘蓝型油菜双倍体品系,本文在不同环境下的残差方差齐性和非齐性的假定下,分别建立了齐方差和异方差模型,综合考虑环境效应,基因效应以及基因与环境互作效应对表型的影响。考虑到基因型数据取值离散(0,1或者2)且位点之间存在连锁不平衡现象,通过在模型中嵌入取值0或者1的二分类指示变量,本文巧妙地将待估参数分成被选入模型和被剔除出模型两子块,并藉此设计快速高效的分块Gibbs抽样算法,减少计算时长,弥补贝叶斯算法常常被人诟病的计算时间长以及收敛速度慢等不足之处,实现变量选择和参数估计的双重目的。从本文大量的数值模拟计算和实际数据分析结果来看,综合考虑各种效应,如亲源效应,基因与环境互作效应等的全基因组模型,能较忽略这些效应的模型和现有方法,具有更高的模型解释率和更强的数量性状位点定位功效,以及更低的表型预测误差。(本文来源于《武汉大学》期刊2018-04-01）
仇志停[10]（2018）在《基于属性选择的一阶依赖贝叶斯分类模型的研究》一文中研究指出在大数据时代,数据信息是最有价值的抽象事物,数据中蕴含着大量的有价值的信息,需要将这些信息提取出来,数据挖掘是实现的重要过程之一。数据挖掘是现今社会的热门学科,是从存储的数据中发现知识的过程。数据挖掘包含分类和聚类两个方向,本课题研究的是分类算法,分类是根据一系列的属性来给出类别判断,分类方法很多,近年来贝叶斯网分类器受到的关注越来越多。贝叶斯分类模型包含四种经典的分类模型,分别是朴素贝叶斯(Na?ve Bayes,NB)、树增广朴素贝叶斯(Tree-Augmented Na?ve Bayes,TAN)、平均一阶依赖贝叶斯(Averaged One-Dependence Estimators,AODE)和K阶依赖贝叶斯(K-Dependence Bayesian,KDB)。贝叶斯分类的核心思想在于已知先验分布,从观察的数据中得到后验分布,从而进行预测分类。本课题提出的AS_TAN模型属于一阶依赖的贝叶斯模型,主要思想是对属性根据互信息和非类变量条件互信息进行排序,得出相关性从强到弱的属性序列,根据属性的顺序进行构建的分类模型;局部模型是根据测试实例在测试的过程中构建的模型;GL_AS_TAN模型就是全局和局部都应用AS_TAN模型的思想实现的混合模型,全局模型是针对所有属性来构建的,局部模型是根据个别情况构建的,混合模型将全局模型和局部模型综合起来提升分类的准确度。K_TAN模型也属于一阶依赖贝叶斯模型,含有参数K,K表示的是为属性选择属性父节点的时候限制的选择范围个数;K_TAN_D模型是K_TAN算法结合了反馈系统,通过反馈系统为每个数据集分别选择合适的参数K,构建适应于每个数据集的模型。本文使用0-1 loss、Bias和Variance叁个衡量指标对文中提到的叁个模型与其他模型进行比较分析,实验证明本文提出的模型相较于经典一阶依赖贝叶斯模型在分类准确度上是有所提升的。(本文来源于《吉林大学》期刊2018-04-01）
贝叶斯模型选择论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
贝叶斯模型选择在各个领域中有着重要的应用,如分析经典假设检验、生物系统发生树的构建问题等,因而受到国内外数学、统计、生物等众多领域研究学者的广泛关注。但是在某些特别的情况下,贝叶斯模型选择会出现悖论现象,导致一般的贝叶斯模型选择方法不适用于某些模型选择。目前主要有四种模型选择悖论:无自由参数模型悖论、相切型模型悖论、重迭型模型悖论、交叉型模型悖论。本文主要研究重迭型模型选择中的悖论问题,重迭型模型即备择模型Hk有重迭部分,当真实值属于重迭部分的区域时,备择模型与真实模型的K-L距离相等且等于0,即模型为相同对模型,应以均等的概率1/k选择任意一个模型。但是通过探究备择模型后验概率的渐近行为,发现随着数据量的增加备择模型的后验概率收敛到一特殊分布而非期望的退化分布1/k,从而出现了模型选择悖论问题。文章中主要利用常见的正态分布、二项分布证明了重迭型模型中悖论的存在,同时提出将先验分布中的超参数依赖于数据量的方法来解决悖论问题。发现当参数的先验分布中超参数取值大于1/2且小于1时,随着数据量的增加,备择模型的后验概率收敛到单点分布1/k,从而解决了重迭型模型选择中的悖论问题。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
贝叶斯模型选择论文参考文献
[1].赵远英,侯颖,顾大刚,徐登可.联合均值与方差模型的贝叶斯变量选择[J].统计与决策.2019
[2].张会会.贝叶斯模型选择中的悖论研究[D].北京交通大学.2019
[3].张晨.基于近似贝叶斯计算的参数估计和模型选择的研究[D].合肥工业大学.2019
[4].邸俊鹏,张晓峒.二元选择分位数回归模型的贝叶斯估计方法及模拟研究[J].统计与决策.2019
[5].井晓丹,朱永忠,井睿.一类改进的贝叶斯模型选择方法[J].统计与决策.2019
[6].赵远英,段星德,庞一成.单纯形分布联合位置与散度模型的贝叶斯变量选择[J].统计与决策.2018
[7].徐曼,甘丹,沈江.基于互信息的贝叶斯-案例检索特征选择模型[J].工业工程与管理.2018
[8].赵浪.区间删失数据下两类回归模型的贝叶斯自适应Lasso变量选择[D].长春工业大学.2018
[9].熊思灿.数量性状位点定位以及基因组选择中的贝叶斯变量选择模型和方法[D].武汉大学.2018
[10].仇志停.基于属性选择的一阶依赖贝叶斯分类模型的研究[D].吉林大学.2018