Tjrjtyjh

El ajuste se lleva a cabo con una mezcla de recocido simulado Metropolis plus la de cadena Markov Monte Carlo técnicas que explora el espacio de parámetros y busca el mínimo requerido


Donde es el peso excepción ando los puntos enmascarados / marcado (donde puede ser 0 o algo más, dependiendo de lo que hiciste en el archivo de máscaras).
La minimización consta de 4 etapas, cuyosobjetivos generales son:
1. First Fits (FF): Hacer un barrido amplio del espacio de parámetros;
2. Clip & Refit:: "Excluir unfitable" píxeles;
3. Burn-In: ajuste detallado con la base completa;
4. EX0s fit (EX0): Descarta componentes irrelevantes, así como afinar el ajuste.
En cada una de estas etapas, N conjuntos de cadenas de parámetros se evolucionado a través del espacio de parámetros de unamanera pseudo-aleatoria, aceptar o rechazar mueve de acuerdo con el algoritmo de Metropolis (es decir, basado en la relación de probabilidad de las posiciones antes y después). De vez en cuando las cadenas se comuniquen entre sí para tratar de satisfacer en una región común del espacio de parámetros. En lo que sigue se describe cada etapa. La etapa FF se explica con mayor detalle, como todos losdemás siguen una lógica similar. De hecho, en todas las etapas 4 STARLIGHT llama el mismo conjunto de rutinas
para que con Tk> 1 ampliamos la distribución probabilidad, mientras que con Tk <1 lo hacemos estrecho. Con temperaturas muy grandes, la probabilidad hiper-superficie es de ~ plana, de manera que cualquier modelo lo hará, y la mayoría se mueve en el espacio de parámetros sonaceptables, mientras que a la baja temperatura paisaje es más complejo, con picos y valles, de tal manera que se mueve en ciertas direcciones producirá cambios al alza excesivamente grandes (en el sentido de Metropolis-criterio) en χ2. Para los adapta primer lugar, usted debe comenzar a partir de T altas, por ejemplo, T = Temperatura ini FF ~ 100 o más, y terminar con T = Temperatura de aleta FF ~ 1, quees equivalente a partir de los errores sobreestimadas por un factor de √ 100 = 10 y terminan con errores como son (T = 1). High T permite grandes movimientos en el espacio de parámetros, lo que es bueno tomar las cadenas de sus posiciones iniciales aleatorias a más regiones probables en pasos no demasiados. El enfriamiento del sistema de forma gradual a continuación, centrarse en estas regiones yproduce un mapeo más detallado de la probabilidad hiper-superficie.
Con i RestartChains FF = 1 los parámetros de cada una de las cadenas se restablecen a su respectivo mejores valores de la medida antes de la siguiente bucle (o etapa), mientras que con i RestartChains FF = 0 las cadenas parámetros se quedan donde están en el espacio de parámetros y reinicie desde allí en el siguiente bucle (Oetapa). Sin embargo, otra opción es reiniciar la más alta cadena de la energía (en el peor χ2) para la mejor mundial modelo hasta ahora, que se hace con RestartChains FF i = 2.
• Los tamaños de paso de adaptación: En T altas, los movimientos más pequeños en el espacio de parámetros aceptados y el sistema tiende a un puro del paseo aleatorio, mientras que a bajas grandes movimientos T tienen un muygran probabilidad de ser rechazados, por lo que las cadenas se atascan. Es evidente que los tamaños fijos paso haría que el esquema completo miserablemente ineficaz. En su primera versión (Cid Fernandes et al. 2004b), STARLIGHT
sincronizar el calendario de refrigeración con un calendario de reducción gradual del tamaño de calibrado con simulaciones.
La versión actual hace algo mucho mejor:Ajusta dinámicamente tamaños de paso, con el objetivo de alcanzar cierta eficiencia eff = IDEAL FF = número de movimientos aceptados / número total de pasos.
Para evaluar la eficiencia, STARLIGHT debe evolucionar las cadenas de un cierto número de iteraciones (Niter). Este número es calibrado en términos de la cantidad de parámetros (NPAR ⋆ = N + 2) 10: Niter = fN sim FF × NPAR, que corresponde, en...