Birim disk üzerinde karmaşık bir regresyon sorununu çözmem gerekiyor. Orijinal soru bazı ilginç yorumlar çekti, ancak ne yazık ki cevap yok. Bu arada, bu sorun hakkında daha fazla şey öğrendim, bu yüzden orijinal sorunu alt problemlere ayırmaya çalışacağım ve bu sefer daha iyi şansım olup olmadığını göreceğim.
Birim disk içindeki dar bir halkaya düzenli olarak yerleştirilmiş 40 sıcaklık sensörünüz var:
Bu sensörler zaman içinde sıcaklık alır. Bununla birlikte, zaman varyasyonu uzay varyasyonundan çok daha küçük olduğundan, zaman değişkenliğini göz ardı ederek sorunu basitleştirelim ve her sensörün bana sadece bir zaman ortalaması verdiğini varsayalım. Bu, 40 numunem (her sensör için bir tane) ve tekrarlanan numunelerim olmadığı anlamına gelir.
Bir regresyon yüzeyi inşa etmek istiyorum sensör verilerinden. Regresyonun iki hedefi vardır:
- Ortalama bir radyal sıcaklık profili tahmin etmem gerekiyor . Doğrusal regresyon ile, ortalama sıcaklık yüzeyi olan bir yüzeyi zaten tahmin ediyorum, bu yüzden sadece yüzeyimi, sağ? Eğer regresyon için polinom kullanırsam, bu adım çocuk oyuncağı olmalıdır.
- Radyal sıcaklık profilini tahmin etmem gerekiyor , böylece her radyal konumda, .
Bu iki hedef göz önüne alındığında, birim diskteki gerileme için hangi tekniği kullanmalıyım? Tabii ki, Gauss Süreçleri yaygın olarak mekansal regresyon için kullanılır. Ancak birim disk için iyi bir çekirdeğin tanımı önemsiz değildir, bu yüzden kaybedilen bir strateji olduğunu düşünmedikçe işleri basit tutmak ve polinomları kullanmak istiyorum. Zernike polinomlarını okudum . Zernike polinomları birim disk üzerindeki regresyon için uygun görünmektedir, çünkü bunlar periyodik olarak.
Model seçildikten sonra, bir tahmin prosedürü seçmem gerekiyor. Bu bir uzamsal regresyon problemi olduğundan, farklı konumlardaki hatalar ilişkilendirilmelidir. Sıradan En Küçük Kareler ilişkisiz hatalar alır, bu yüzden Genelleştirilmiş En Küçük Kareler daha uygun olacağını düşünüyorum. gls
Standart R dağılımında bir fonksiyon olduğu göz önüne alındığında, GLS nispeten yaygın bir istatistiksel teknik gibi görünüyor . Ancak, GLS'yi hiç kullanmadım ve şüphelerim var. Örneğin, kovaryans matrisini nasıl tahmin edebilirim? Sadece birkaç sensörle bile çalışılmış bir örnek harika olurdu.
PS Zernike polinomlarını ve GLS'yi kullanmayı seçtim çünkü bana burada yapılması mantıklı bir şey gibi geliyor. Ancak uzman değilim ve yanlış yöne gittiğimi düşünüyorsanız, tamamen farklı bir yaklaşım kullanmaktan çekinmeyin.