Multi Template MCMC贝叶斯分析

多模板MCMC贝叶斯分析是一个用于能谱拟合的Python工具包，它利用马尔可夫链蒙特卡洛（MCMC）方法进行贝叶斯分析，能够同时拟合多个模板谱。

English README

特性

• 支持多模板能谱的同时拟合
• 基于emcee的高效MCMC采样
• 多种先验分布选择（均匀分布、正态分布、对数正态分布、截断正态分布）
• 全面的后验分布与拟合结果分析
• 生成美观的可视化图表
• 支持中英文双语HTML报告生成
• 交互式图表支持（使用Plotly）
• 自动时间戳输出目录
• 详细的参数统计分析（均值、中位数、方差、多种置信区间）

安装

1. 克隆仓库：

git clone https://github.com/username/mtmcmc.git
cd mtmcmc

2. 安装依赖：

pip install -r requirements.txt

使用方法

基本用法

1. 编辑config.py文件，设置数据路径、MCMC参数和其他选项
2. 运行主程序：

python mtmcmc.py

使用示例脚本

项目包含一个示例脚本，可以生成合成数据并运行分析：

python example.py

配置参数

编辑config.py文件可以配置以下参数：

数据路径配置

• TARGET_SPECTRUM: 目标能谱数据文件路径
• TEMPLATE_SPECTRA: 模板能谱数据文件路径列表

输出配置

• OUTPUT_DIR: 结果输出目录
• ADD_TIMESTAMP: 是否在输出目录中添加时间戳子目录

MCMC参数配置

在config.py中，您可以配置以下MCMC相关参数：

# MCMC walkers数量
NWALKERS = 32

# MCMC采样步数
NSTEPS = 5000

# MCMC预热步数
BURNIN = 1000

# 是否显示进度条
PROGRESS = True

# 使用的CPU核心数，None表示使用全部可用核心
NCORES = None

# MCMC移动策略配置
# 每个元素是一个元组 (move, weight)，weight表示该移动策略的使用权重
# 可用的移动策略:
# - emcee.moves.DESnookerMove(): 差分进化Snooker移动
# - emcee.moves.DEMove(): 差分进化移动
# - emcee.moves.GaussianMove(): 高斯移动
# - emcee.moves.KDEMove(): 核密度估计移动
# - emcee.moves.StretchMove(): 伸展移动
MCMC_MOVES = [
    (emcee.moves.DESnookerMove(), 0.8),  # 使用80%的Snooker移动
    (emcee.moves.DEMove(), 0.2),          # 使用20%的差分进化移动
]

MCMC移动策略（moves）是控制采样器如何探索参数空间的重要设置。程序提供了多种移动策略供选择：

1. DESnookerMove: 差分进化Snooker移动

   • 优点：对高维参数空间有很好的探索能力
   • 适用：复杂的高维参数空间

2. DEMove: 差分进化移动

   • 优点：结合了多个walkers的信息
   • 适用：需要walkers之间协作的采样

3. GaussianMove: 高斯移动

   • 优点：简单且高效
   • 适用：参数空间较为简单的情况

4. KDEMove: 核密度估计移动

   • 优点：能够适应复杂的后验分布
   • 适用：多峰分布或非高斯分布

5. StretchMove: 伸展移动

   • 优点：计算开销小
   • 适用：需要快速采样的情况

您可以通过调整MCMC_MOVES列表来配置不同的移动策略组合。每个移动策略都有一个权重值，表示该策略被使用的概率。权重值应该满足：

sum(weight for _, weight in MCMC_MOVES) == 1.0

默认配置使用80%的Snooker移动和20%的差分进化移动，这种组合在大多数情况下都能提供良好的采样效果。您可以根据具体问题调整这些权重或添加其他移动策略。

先验分布配置

• PRIORS: 各模板的先验分布设置，支持以下分布类型：
  • uniform: 均匀分布，参数为min和max
  • normal: 正态分布，参数为mu和sigma
  • lognormal: 对数正态分布，参数为mu和sigma
  • truncnorm: 截断正态分布，参数为min、max、mu和sigma
• DEFAULT_PRIOR: 默认先验分布设置

误差处理和HTML报告选项

• ERROR_HANDLING: 误差处理方式（'target'、'template'或'both'）
• HTML_REPORT: 是否生成HTML报告
• INTERACTIVE_PLOTS: HTML报告中是否包含交互式图表
• TEMPLATE_DIR: HTML模板目录
• HTML_LANGUAGES: HTML报告语言设置，可选值: ["zh"], ["en"], ["zh", "en"]

模块结构

• mtmcmc.py: 主程序
• data_loader.py: 数据加载与预处理模块
• model.py: 模型定义和先验分布模块
• mcmc_sampler.py: MCMC采样模块
• analyzer.py: 结果分析模块
• visualizer.py: 可视化模块（支持中英文双语图表）
• html_reporter.py: HTML报告生成模块（支持中英文双语报告）
• config.py: 配置文件
• example.py: 示例脚本

数据格式

输入数据文件应为文本格式，每行三列：能量、计数、误差。例如：

0.0 10.5 1.2
0.1 11.2 1.3
...

结果分析

分析结果将保存在输出目录中，包括：

• 模板权重的后验分布
• 拟合结果与残差分析
• 模板贡献分析
• 误差贡献分析
• 参数统计分析（均值、中位数、方差、多种置信区间）
• 综合HTML报告（中文和/或英文）

参数统计分析

对每个拟合参数提供以下统计量：

• 中位数值
• 平均值
• 标准差
• 方差
• MAP估计值（最大后验概率估计）
• 68% 置信区间
• 95% 置信区间
• 99.7% 置信区间
• 上下误差范围

许可证

本项目采用MIT许可证。详见LICENSE文件。

贡献

欢迎贡献代码、报告问题或提出改进建议。