• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Computers & Structures >A likelihood-free approach towards Bayesian modeling of degradation growths using mixed-effects regression
【24h】

A likelihood-free approach towards Bayesian modeling of degradation growths using mixed-effects regression

机译：利用混合效应回归对贝叶斯建模的贝叶斯建模的一种可能性方法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Mixed-effects regression models are widely applicable for predicting degradation growths in structural components. The Bayesian inference method is used to estimate the regression parameters when the degradation data are confounded by measurement and parameter uncertainties. The Gibbs sampler (GS), commonly used for this purpose, works when the regression errors are assumed as normally distributed that allows for the analytical formulation of the likelihood function. In case of a more general regression error distribution (e.g., mixture models), the likelihood becomes analytically intractable and computationally expensive to a degree that any likelihood-based Bayesian inference scheme (e.g., GS, Metropolis-Hastings sampler) can no longer be used for solving a practical problem.This paper proposes a practical likelihood-free approach for parameter estimation based on the approximate Bayesian computation (ABC) method. The ABC method implements forward simulation coupled with a rejection mechanism to sample from a target posterior distribution thereby eliminating the need to evaluate the likelihood function. The advantages of the proposed method are illustrated by analyzing degradation data obtained from a Canadian nuclear power plant. (C) 2020 Elsevier Ltd. All rights reserved.
机译：混合效应回归模型广泛适用于预测结构部件中的降解生长。贝叶斯推理方法用于估计通过测量和参数不确定因素混淆的劣化数据时的回归参数。 Gibbs采样器（GS）通常用于此目的，当假设回归误差是正常分布的，允许分析似函数的分析制定。在更一般的回归错误分布（例如，混合模型）的情况下，可能性在不再使用任何基于似然的贝叶斯推理方案（例如，GS，Metropolis-Hastings采样器）的程度上的分析棘手和计算昂贵解决实际问题。本文提出了基于近似贝叶斯计算（ABC）方法的参数估计的实用可能性方法。 ABC方法实现前向模拟与拒绝机构耦合到以目标后部分布采样，从而消除了评估似然函数的需要。通过分析从加拿大核电站获得的降解数据来说明所提出的方法的优点。 （c）2020 elestvier有限公司保留所有权利。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号