基于Gibbs抽样法的边际密度估计

证明利用 Gibbs抽样法从后验分布 p(· |y)产生的 Markov链转移核有不变概率测度 p(· |y) .利用Gibbs抽样法、Monte Carlo积分和条件概率公式相结合的方法对多元分布的边际密度进行了估计 ,并且证明了在一定条件下所得的边际密度估计几乎处处收敛到真实的边际密度 .

基于贝叶斯序列分割的高维时间序列在线分类算法

参数化密度估计算法和非参数化密度估计算法均无法高效地处理高维时间序列。针对这种情况,提出基于贝叶斯序列分割的高维时间序列在线分类算法。通过时间延迟嵌入将时间序列投影到重建相位空间,基于贝叶斯序列分割将时间序列分区,结合边际密度和copula变换计算每个区的密度。使用积分平方误差度量时间序列概率密度函数之间的相似性。实验结果表明,该方法对于时间序列的维度具有鲁棒性,能高效地估计时间序列的密度,获得满意的时间序列分类准确率,同时满足在线分类的要求。