![]() |
Licence Creative Commons by-nc-nd
Paternité-Pas d'Utilisation Commerciale-Pas de Modification 2.0 Générique |
Implémentation en R d'une alternative simple au maximum de vraisemblance pour ajuster un modèle d'autocovariance isotrope de type Matérn à une observation d'un champ aléatoire.
Cette implémentation est limitée à une observation (de rapport "signal sur bruit" connu) sur une grille régulière 2D mais est partiellement optimisée pour permettre de traiter une observation d'assez grande taille (par ex. 64x64) via des résolutions de système linéaire par gradients conjugués et FFT.
Cette méthode "CGEM-EV" est basée sur la simple variance empirique et une équation estimante qui égalise la moyenne conditionnelle d'une énergie de Gibbs avec sa moyenne inconditionnelle ; une approximation "randomized trace" est utilisée. CGEM-EV est, assez généralement, statistiquement efficace.
Actuellement outil d'évaluation de l'approche CGEM-EV (notamment ses performances statistiques comparées à celles du Maximum de Vraisemblance).
«Implémentation en R d’une alternative (“CGEM−EV”) au maximum de vraisemblance pour des champs de type Matérn» (2011). Article de 22 pages et 3 fichiers source R (en annexe) : ScriptForDemo.R, CGEMevalOnGrid.R, CGEMbisectionLogScaleSearch.R.
http://hal.archives-ouvertes.fr/hal-00648526
«A fast, near efficient, randomized−trace based method for fitting stationary Gaussian spatial models to large noisy data sets in the case of a single range−parameter» (2010).
http://hal.archives-ouvertes.fr/hal-00515832
«Asymptotic near-efficiency of a "Gibbs-energy" estimating-function approach for fitting Matern covariance models to a dense (noisy) series» (2009).
http://hal.archives-ouvertes.fr/hal-00413693
URL source: https://www.projet-plume.org/relier/cgem-ev