学文网David Barber
Bayesian Time Series Models
2011,450pp
Hardback
ISBN9780521196765
“下一步将会发生什么事情？”时间序列握有对这个问题的答案。贝叶斯方法代表了最前沿的研究方法， 用它来说明时间序列必然会表明什么。这本目标远大的书籍对贝叶斯时间序列技术中新兴的知识库首次作了统一论述。本书通过对概率***模型统一框架的探索，涉及蒙特卡罗和确定性近似概型，并且介绍了在各个不同的应用环境中的开关、多目标、非参数及基于的模型。作者在建模的基本支持框架方面提供了示范，并且给出了对于实现这些模型的计算复杂性的透彻理解。作者横跨了统计学及工程等传统学科以及新近建立领域，例如机器学习和模式识别。
本书共有18章，除了第一章外，其余的各章被分成5个部分。1.概率时间序列模型中的推理与估计。第1部分 蒙特卡罗，含第2-4章，2.自适应马尔科夫链蒙特卡罗理论与方法；3.辅助粒子滤波：最新进展；4.扩散过程蒙特卡罗概率推理：一个方***框架。第2部分 确定性近似，含第5-8章，5.时间序列模型变分期望极大化的两个问题；6.连续时间马尔科夫过程的近似推理；7.期望传播和用于开关线性动态系统的广义预期传播（EP）方法；8.利用高斯混合的开关线性动态系统近似推理。第3部分 开关模型，含第9-10章，9.生理学监测与阶乘开关线性动态系统；10.变换点模型分析。第4部分 多目标模型，含第11-13章，11.多目标模型静态参数近似似然估计；12.动态演化多目标组的顺序推理；13.多目标跟踪非交换调和分析。第5部分 非参数模型，含第14-16章，14.用于高斯法的马尔科夫链蒙特卡罗算法；15.非参数隐马尔科夫模型；16.用于多传感器时间序列预测的贝叶斯高斯法模型。第6部分 基于的模型，含第17-18章，17.最佳控制论和线性贝尔曼方程；18.用于解（部分可观测）马尔科夫决策过程（(PO)MDP）及最优控制问题的预期最大化方法。
本书第一主编是伦敦大学计算机科学系信息处理讲师；第二主编是土耳其伊斯坦布尔Boazii大学计算机工程系助理教授；第三主编是剑桥大学统计实验室的研究员。
本书要求读者具有对应用概率论的基本了解，但无需具备时间序列的经验。作者将会带领读者从基本概念出发，直到最新的研究和实践。本书可供计算机科学及相关专业的研究人员阅读借鉴。
胡光华，
退休高工
(原中国科学院物理学研究所)
Hu Guanghua, Senior Software Engineer
(Former Institute of Physics,CAS)