Resumen

La priorización de la dispersión junto con la inferencia bayesiana es un enfoque eficaz para resolver modelos lineales dispersos (SLM). En este artículo, introducimos en primer lugar una nueva prioridad que promueve la dispersión, denominada prioridad de doble Lomax, que corresponde a un modelo jerárquico de tres niveles, y a continuación derivamos un procedimiento de inferencia bayesiano variacional (VB) completo. Cuando se asume un hiperprior no informativo, mostramos además que el método propuesto tiene una variable latente más que la determinación automática de relevancia (DRA) canónica. Esta variable tiene un efecto suavizador sobre las trayectorias de la solución, lo que mejora el rendimiento de la convergencia. La eficacia del método propuesto se demuestra mediante simulaciones numéricas que incluyen problemas de identificación de modelos autorregresivos (AR) y de detección compresiva (CS).

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:determinación automática canónica de la relevancia, bayesiano variacional completo, rendimiento de convergencia mejorado, más variable latente, modelos lineales dispersos, método, inferencia bayesiana, doble lomax, detección compresiva, enfoque eficaz
• Keywords:canonical automatic relevance determination, full variational bayesian, improved convergence performance, more latent variable, sparse linear models, method, bayesian inference, double lomax, compressive sensing, effective approach