尽管Spike and Slab方法广泛应用于贝叶斯变量选择,但其惩罚似然估计的潜力在很大程度上被忽视了。通过在贝叶斯模态中引入惩罚化似然观点,本文提出了新的Spike and Slab Lasso逻辑回归模型,将两个拉普拉斯密度的混合先验置于单个坐标上...尽管Spike and Slab方法广泛应用于贝叶斯变量选择,但其惩罚似然估计的潜力在很大程度上被忽视了。通过在贝叶斯模态中引入惩罚化似然观点,本文提出了新的Spike and Slab Lasso逻辑回归模型,将两个拉普拉斯密度的混合先验置于单个坐标上,可以自适应地收缩系数,即弱收缩重要预测量,强收缩不相关预测量,从而可以得到准确的估计和预测。同时,我们使用了预测–校正算法来求解Spike and Slab Lasso逻辑回归模型,并将该算法扩展到不可分离惩罚的情况。该算法利用凸优化的预测校正算法,沿着整个正则化路径有效的计算解,方便了模型选择,避免了正则化参数值不同时的独立优化。最后,模拟学习和实证结果表明本文所提模型比Lasso逻辑回归模型具有更优的性能。展开更多
为了提高AVO(amplitude versus offset)反演结果的精度和横向连续性,本文提出了一种新的AVO反演约束方法,该方法结合贝叶斯原理和卡尔曼滤波算法实现了对反演参数纵向和横向的同时约束.文章首先结合反演参数的纵向贝叶斯先验概率约束和...为了提高AVO(amplitude versus offset)反演结果的精度和横向连续性,本文提出了一种新的AVO反演约束方法,该方法结合贝叶斯原理和卡尔曼滤波算法实现了对反演参数纵向和横向的同时约束.文章首先结合反演参数的纵向贝叶斯先验概率约束和反演参数的横向连续性假设建立了与卡尔曼滤波算法对应的AVO反演系统的数学模型,然后将该数学模型代入卡尔曼滤波算法框架,利用卡尔曼滤波算法实现了双向约束AVO反演.二维模型测试和实际数据测试结果表明,相对于单纯的纵向贝叶斯先验概率约束,双向约束能更准确地刻画参数的横向变化,得到更准确、横向连续性更好的反演结果.展开更多
文摘尽管Spike and Slab方法广泛应用于贝叶斯变量选择,但其惩罚似然估计的潜力在很大程度上被忽视了。通过在贝叶斯模态中引入惩罚化似然观点,本文提出了新的Spike and Slab Lasso逻辑回归模型,将两个拉普拉斯密度的混合先验置于单个坐标上,可以自适应地收缩系数,即弱收缩重要预测量,强收缩不相关预测量,从而可以得到准确的估计和预测。同时,我们使用了预测–校正算法来求解Spike and Slab Lasso逻辑回归模型,并将该算法扩展到不可分离惩罚的情况。该算法利用凸优化的预测校正算法,沿着整个正则化路径有效的计算解,方便了模型选择,避免了正则化参数值不同时的独立优化。最后,模拟学习和实证结果表明本文所提模型比Lasso逻辑回归模型具有更优的性能。
文摘为了提高AVO(amplitude versus offset)反演结果的精度和横向连续性,本文提出了一种新的AVO反演约束方法,该方法结合贝叶斯原理和卡尔曼滤波算法实现了对反演参数纵向和横向的同时约束.文章首先结合反演参数的纵向贝叶斯先验概率约束和反演参数的横向连续性假设建立了与卡尔曼滤波算法对应的AVO反演系统的数学模型,然后将该数学模型代入卡尔曼滤波算法框架,利用卡尔曼滤波算法实现了双向约束AVO反演.二维模型测试和实际数据测试结果表明,相对于单纯的纵向贝叶斯先验概率约束,双向约束能更准确地刻画参数的横向变化,得到更准确、横向连续性更好的反演结果.