Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Bayes biến thiên cho các mô hình tự hồi quy tổng quát
Tóm tắt
Chúng tôi mô tả một thuật toán học Bayesian biến thiên (VB) cho các mô hình tự hồi quy tổng quát (GAR). Âm thanh được mô hình hóa như là một hỗn hợp các phân phối Gauss thay vì một phân phối Gauss đơn lẻ như thông thường. Điều này cho phép các điểm dữ liệu khác nhau gắn liền với các mức độ tiếng ồn khác nhau và cung cấp ước lượng AR bền vững. Khung VB được sử dụng để ngăn chặn việc quá khớp dữ liệu và cung cấp các tiêu chí chọn lựa mô hình cho cả bậc AR và bậc mô hình tiếng ồn. Chúng tôi chỉ ra rằng đối với trường hợp đặc biệt của tiếng ồn Gauss và các prior không thông tin về độ chính xác của tiếng ồn và trọng số, khung VB sẽ rút gọn thành khung bằng chứng Bayesian. Thuật toán được áp dụng cho dữ liệu tổng hợp và dữ liệu thực với kết quả khả quan.
Từ khóa
#Gaussian noise #Noise level #Bayesian methods #Noise robustness #Least squares methods #History #Noise reduction #Inference algorithms #Cost functionTài liệu tham khảo
choudrey, 2000, an ensemble learning approach to independent component analysis, Proc IEEE Workshop on Neural Networks for Signal Processing
penny, 2000, bayesian methods for autoregressive models, Proc IEEE Workshop on Neural Networks for Signal Processing
penny, 2000, variational bayes for non-gaussian autoregressive models, Proc IEEE Workshop on Neural Networks for Signal Processing
10.1109/TAC.1985.1103788
10.1109/TAC.1985.1103786
weisberg, 1980, Applied Linear Regression
o ruaniaidh, 1996, Numerical Bayesian Methods Applied to Signal Processing, 10.1007/978-1-4612-0717-7
cover, 1991, Elements of Information Theory, 10.1002/0471200611
attias, 2000, a variational bayesian framework for graphical models, NIPS 12
chickering, 1996, Efficient approximations for the marginal likelihood of Bayesian networks with hidden variables
10.1111/j.1751-5823.1997.tb00365.x
10.1016/0304-4076(95)01744-5
troughton, 1997, A reversible jump sampler for autoregressive time series employing full conditionals to achieve efficient model space moves
10.1109/89.701365
10.1007/978-1-4471-0443-8_5
10.1111/1467-9868.00095
press, 1992, Numerical Recipes in C
bishop, 1999, variational principal components, Proceedings of 9th International Conference on Artificial Neural Networks ICANN 99, 1, 509, 10.1049/cp:19991160
bishop, 1995, Neural Networks for Pattern Recognition
sykacek, 2000, Markov chain Monte Carlo methods for Bayesian sensor fusion
miskin, 2000, Ensemble learning for independent component analysis
mackay, 1995, Ensemble learning and evidence maximization
minfen, 2000, parametric bispectral estimation of eeg signals in different functional states of brain, First International Conference on Advances in Medical Signal and Information Processing, 66, 10.1049/cp:20000319
bernardo, 1994, Bayesian Theory, 10.1002/9780470316870
10.1093/cercor/7.4.374
nikias, 1993, Higher-Order Spectra Analysis A Nonlinear Signal Processing Framework