|
|
|
|
|
 |
جستجو در مقالات منتشر شده |
 |
|
2 نتیجه برای متیو
علی محمدیان مصمم، الناز عباسی، خورخه متیو،
جلد 16، شماره 2 - ( 12-1401 )
چکیده
در تحلیل بیزی دادههای فضایی-زمانی جرم و جنایت معمولاً به دلیل ناگاوسی بودن توزیع متغیر پاسخ و وجود تعداد زیادی متغیر پنهان در مدل تحت بررسی شکل بستهای برای توزیع پسینی وجود ندارد. در این شرایط در استفاده از روشهای مونتکارلوی زنجیر مارکوفی با چالشهایی نظیر وجود پارامترهای متعدد در ساختار سلسلهمراتبی، محاسبات سنگین و زمانبر، انجام شبیهسازی گسترده، بهویژه زمانی که بعد میدان تصادفی بزرگ است و سرانجام عدم همگرایی توزیع پسینی مواجه میشویم. برای حل این مشکلات روش تقریب لاپلاس آشیانی جمعبسته پیشنهاد شده است. مزیت این روش این است که برآوردهایی از منظر وقوع جرم وجنایت در مکان و زمان معین ارائه کرده و همچنین نواحی با رفتار غیرمعمول را تشخیص میدهد. در این مقاله با استفاده همزمان از GIS و روش قریب لاپلاس آشیانی جمعبسته در یک مطالعه موردی به تحلیل دادههای جرم و جنایت بخشی از کشور کلمبیا میپردازیم.
فاطمه قاسمی، علی محمدیان مصمم، خورخه متیو،
جلد 20، شماره 1 - ( 6-1405 )
چکیده
در این مقاله، به برآورد ناپارامتری ساختار همبستگی نامانا در دادههای فضایی با اندازه بزرگ پرداخته میشود. روش پیشنهادی، رویکردی بیزی مبتنی بر گروهبندی است که توسعهای از تقریب وکیا محسوب میشود و بر فرض استقلال شرطی دادههای مرتبشده بنا شده است. این فرض منجر به تنکسازی ماتریس دقت و تجزیه چولسکی تنک میگردد و امکان مدلسازی فرایند گاوسی $n$-متغیره را بهصورت دنبالهای از رگرسیونهای خطی بیزی فراهم میآورد. مرتبسازی دادهها با روش ماکسیمم کردن کمترین فاصله، عملکرد مدل را بهبود میبخشد. افزونبراین، اعمال الگوریتم گروهبندی روی دادههای مرتبشده با حذف وابستگیهای ضعیف بین موقعیتها، ساختار کوواریانس را بهصورت بلوکبندیشده و فوقالعاده تنک تعریف میکند که منجر به کاهش چشمگیر بار محاسباتی و افزایش دقت مدل میشود. نتایج شبیهسازی و تحلیل دادههای واقعی نشان میدهد که نمونههای بهدستآمده از توزیع پسین، بازههای عدم قطعیت کوچکتری نسبت به روشهای بدون گروهبندی دارند.
|
|
|
|
|
|
|
|
|
|
|
