I describe a new Bayesian based algorithm to infer the full three dimensional velocity field from observed distances and spectroscopic galaxy catalogues. In addition to the velocity field itself, the algorithm reconstructs true distances, some cosmological parameters and specific non-linearities in the velocity field. The algorithm takes care of selection effects, miscalibration issues and can be easily extended to handle direct fitting of, e.g., the inverse Tully-Fisher relation. I first describe the algorithm in details alongside its performances. This algorithm is implemented in the VIRBIuS (VelocIty Reconstruction using Bayesian Inference Software) software package. I then test it on different mock distance catalogues with a varying complexity of observational issues. The model proved to give robust measurement of velocities for mock catalogues of 3,000 galaxies. I expect the core of the algorithm to scale to tens of thousands galaxies. It holds the promises of giving a better handle on future large and deep distance surveys for which individual errors on distance would impede velocity field inference.
Reconstructing dark matter distribution with peculiar velocities: Bayesian forward modelling with corrections for inhomogeneous Malmquist bias
我们提出了一个前向建模的速度场重建算法，只使用特殊的速度数据进行质量密度场的重建。我们的方法始终占的非齐次Malmquist偏差使用沿视线的分析积分。通过模拟测试我们的方法，我们表明，我们的方法给出了一个无偏重建的速度场。我们发现，不考虑不均匀的Malmquist偏差可能会导致显着的偏差，在向前建模重建。我们将我们的方法应用到一个由SFI++和2 MTF Tully-Fisher星表以及A2超新星汇编组成的特殊速度数据集上，从而获得了一个新的局部宇宙速度重建。我们的速度重建具有与理论预期一致的宇宙学功率谱。此外，我们通过后验分布的样本获得重建的不确定性的完整描述。我们验证我们的速度重建的本地宇宙进行比较，使用2 M ++星系目录的独立重建，获得良好的协议之间的两个重建。使用贝叶斯模型的比较，我们发现，我们的速度模型的性能优于自适应核平滑速度相同的特殊速度数据。然而，我们的速度模型不执行以及从2 M ++星系目录的速度重建，由于稀疏和噪声的性质，独特的速度示踪剂样本。这里提出的方法提供了一种方法，包括特殊的速度数据的初始条件重建框架。
Bayesian physical reconstruction of initial conditions from large scale structure surveys
我们提出了一个完全概率，物理模型的非线性演化的密度场，探测现实的星系调查。我们的模型是有效的线性和轻度非线性制度，并使用二阶拉格朗日微扰理论连接的初始条件与最终的密度场。我们的参数空间由3D初始密度场组成，我们的方法允许完全贝叶斯探索与最终密度场采样的星系分布一致的初始条件集。这种技术的一个自然副产品是目前的密度和速度场的最佳非线性重建，包括观测不确定性的全面传播。这些方法的模拟数据模拟的调查掩模，选择功能和SDSS DR 7主样本的星系数的测试表明，该物理模型给出了准确的重建的基本现今的密度和速度场的尺度大于~6 Mpc/h。我们的方法自然和准确地重建非线性特征对应的三点和更高阶的关联函数，如墙壁和细丝。重建的初始条件的简单测试表明与高斯模拟输入的统计一致性。我们的测试表明，基于物理模型的大尺度结构分布的统计方法，现在变得可行的现实的当前和未来的调查。
A Foreground Model Independent Bayesian CMB Temperature and Polarization Signal Reconstruction and Cosmological Parameter Estimation over Large Angular Scales
最近的CMB观测产生了非常精确的观测数据。一个强大的和可靠的CMB重建技术可以导致有效的宇宙学参数的估计。我们证明了我们的方法的性能，使用模拟的温度和偏振观测宇宙方差有限的下一代PRISM卫星任务。我们通过实施CMB逆协方差加权内部线性组合（ILC）与吉布斯抽样技术从联合分布生成样本。我们使用Python天空模型（PySM）d4 f1 s1来生成逼真的前景模板。同步辐射参数化的空间变化的光谱指数，而热尘埃辐射被描述为一个两个组件的灰尘模型。我们估计边缘密度的CMB信号和理论角功率谱利用整个后验分布的样本。最佳拟合的清洁CMB图和相应的角功率谱与CMB实现和天空角功率谱一致，这意味着有效的前景最小化重建。利用Blackwell-Rao估计器估计的似然函数用于宇宙学参数的估计。我们的方法可以估计张量标量比$r\ge 0.0075$为选定的前景模型和仪器噪声水平。我们目前的工作展示了一个分析管道，从CMB信号及其角功率谱的可靠估计到使用前景模型独立的Gibbs-ILC方法进行宇宙学参数估计的情况。
