پایان نامه > کتابخانه مرکزی دانشگاه صنعتی شاهرود > علوم ریاضی > مقطع کارشناسی ارشد > سال 1397
پدیدآورندگان:
فائزه کجوری [پدیدآور اصلی]، حسین باغیشنی[استاد راهنما]
چکیده: الگوریتم‌های مونت کارلوی زنجیر مارکوفی MCMC، مانند نمونه‌گیری گیبز و الگوریتم متروپلیس-هستینگز، روش‌هایی برای تولید نمونه از توزیع‌های پیچیده هستند. اگر در روش MCMC سرعت همگرایی کند شود، زمان اجرای الگوریتم طولانی خواهد شد. یکی از دلایلی که باعث کند شدن همگرایی الگوریتم‌های MCMC می‌شود، جداگانه به‌روز کردن مولفه‌هایی از توزیع است که به هم وابسته هستند. بلوک‌بندی گروهی مولفه‌هایی که به هم وابسته هستند و از سایر مولفه‌ها مستقل، یکی از روش‌های معمول برای گریز از چنین مشکلی است. بلوک‌بندی مناسب مولفه‌های موجود در توزیع، باعث افزایش سرعت همگرایی و کاهش زمان اجرا می‌شود. در این پایان‌نامه یک روش بلوک‌بندی خودکار معرفی می‌شود که از بلوک‌بندی سلیقه‌ای برحذر است و کارایی مناسبی دارد. در نهایت فرآیند بلوک‌بندی خودکار را با استفاده از داده‌های واقعی و مدل‌های شبیه‌سازی شده ارزیابی کرده و نتایج را با استفاده از الگوریتم‌های MCMC استاندارد مقایسه می‌کنیم.
کلید واژه ها (نمایه ها):
#الگوریتم متروپلیس-هستینگز #نمونه‌گیر گیبز #نمونه‌گیری بلوک‌بندی خودکار #پارامترهای وابسته #کارایی روش‌های نمونه‌گیری MCMC.
محل نگهداری: کتابخانه مرکزی دانشگاه صنعتی شاهرود
یادداشت: حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.
تعداد بازدید کننده:
پایان نامه های مرتبط (بر اساس کلیدواژه ها)