天文数据线性回归中测量误差的一些方面
本文介绍了一种贝叶斯分层建模方法,能够对异方差性和可能相关的测量误差以及内在离散度进行建模,同时完全考虑时间演化,并且该方法可处理独立变量的波动,选择效应和非线性偏离等问题;通过仿真模型测试了该方法并提供了 R 软件包 LIRA 用以进行回归分析。
Sep, 2015
提出了一种贝叶斯框架,用于将选择效应纳入人口分析中,并展示了如何从一个样本中提取基础分布的参数。演示了该框架的性能,从引力波天体物理学的例子中证明合并紧凑物体二元的质量比分布可以从具有实质性测量不确定性的 Malmquist 偏差观测中提取。
Sep, 2018
使用完全贝叶斯方法将高斯过程回归扩展到包括核选择和核超参数的边际化。同时通过证据执行贝叶斯模型比较,实现了直接核比较。方法在合成数据和实际天体测量中得到了验证。
Nov, 2023
该研究提出了一种新颖的算法用于估计一维高斯混合模型的参数,利用傅里叶数据中的 Hankel 结构,解决了方差和组分数量同时的问题;同时揭示了有限独立同分布样本情况下,估计高斯混合模型的组分数量的基本极限,并验证了算法在似然度、AIC 和 BIC 等方面比 EM 算法表现更好。
Apr, 2024
通过 GMMis 方法,可以推断出天文数据中存在的不完整信息并从当前模型进行同时填补缺失值,该方法可以应用于任意截断几何和概率拒绝算法的情况,同时考虑每个观测样本的独立多元正态测量误差和一个纯净的误差分布估计,基于此方法,在不同类型的不完整数据测试和观测来自 NASA 的钱德拉 X 射线望远镜的数据时,可以对混合高斯信号进行分离并比较出标准高斯混合模型的差异。
Nov, 2016
本文主要介绍贝叶斯推理的层次模型和超参数,为包括初学者和资深人士在内的广泛观众提供有用的见解,并从引力波天文学领域进行案例说明。全文涵盖了似然函数、先验、后验、贝叶斯证据、贝叶斯因子、资料比等内容及其应用,最后将形式主义泛化为讨论超参数和层次模型并提供相关附录。
Sep, 2018
利用 2MASS 数据构建一个基于颜色和星等的模型作为先验知识,通过 Extreme Deconvolution 算法从 TGAS 数据计算出 TGAS 星系中每颗恒星更为精确的视差估计和后验概率分布。
Jun, 2017
本文提出了一种针对像素化光源的引力透镜图像分析新方法,并表明仅需建模质量分布所需的参数即可实现去卷积像素化源光分布的计算,这大大简化了寻找数据最小卡方拟合和加速反演的步骤,并将该方法应用于模拟爱因斯坦环图像中,证明了其在无正则化和有正则化两种情况下的有效性。
Feb, 2003