基于改进评价准则的贝叶斯网络模型选择

现有的贝叶斯网络模型选择的各种评价准则中,评价准则最为常用.然而在大样本前提下近似推导得到的准则,在基于小样本条件下进行贝叶斯网络模型选择时,得到的网络过于稀疏,网络连通性不足.而准则在小样本条件下学习贝叶斯网络,选择出的网络往往比较复杂.针对这一情况,本文通过引入调整因子,将与准则的惩罚项进行加权,提出了评价准则,从而提高了小样本情况下贝叶斯网络模型选择的效果.理论分析和实验结果反映了改进的准则的合理性和有效性.     

贝叶斯框架下的自适应质量变量预测模型

针对工业生产过程中的时变性问题,提出贝叶斯网络框架下的自适应质量变量预测建模方法.采用改进的即时学习策略,将数据库分成若干局部数据子集,快速选择与待测样本相似度较高的一组数据作为训练样本,再利用主成分分析对训练样本过程变量进行特征提取,借此作为网络模型输入变量.利用基于改进Figueiredo-Jain算法的EM算法估...     

污染数据线性回归模型的贝叶斯估计

本文研究线性回归模型中响应变量受到另一随机变量序列污染时,模型参数和污染系数的估计问题.利用贝叶斯统计原理,给出了污染系数的贝叶斯区间估计及模型参数估计.     

多变量模型参数的贝叶斯估计及其在农业研究中的应用

对于农业研究中多变量线性模型参数的估计,以往常采用经典统计方法。随着计算机技术的进步,贝叶斯统计方法在科学研究的各个领域迅速发展。文章利用贝叶斯统计方法对农业研究中的多变量模型进行参数估计,并与经典统计方法进行比较,验证了贝叶斯方法的有效性。该方法可为农业研究中多变量模型参数的估计提供新的途径和手段。     

农业研究中非线性模型参数估计的贝叶斯方法

在农业研究中,非线性模型有着广泛的应用,其参数估计往往采用变量替换等经典方法.该研究以非线性模型为例,提出了基于Gibbs抽样的贝叶斯估计方法,并以农业研究中的一个实例,演示了贝叶斯估计方法的可行性.结果表明:非线性模型参数估计的贝叶斯方法稳健可靠,适用于农业研究中的复杂非线性模型.     

基于删失试验的贝叶斯共享异质分段指数危险模型

针对在删失试验的生存分析中,为了估计不同协变量在组内的相互影响以及一些无法观测的协变量产生的异质影响,在基准危险函数为分段指数的情形下,给出贝叶斯共享异质模型,利用Gibbs抽样得出参数的后验分布,然后对模型给出一个实证分析．模型采用乘法异质模型,利用WinBUGS软件得出后验参数相关统计量,说明此模型的有效性和可靠性．     

完备数据集上贝叶斯网络结构学习研究

贝叶斯网络是用来描述不确定变量之间潜在依赖关系的图形模型.从完备数据集上学习贝叶斯网络是一个研究热点,因此分析完备数据集上构建贝叶斯网的常见理论方法非常必要.     

贝叶斯决策法的应用

贝叶斯决策方法是解决风险型决策常用的方法。根据决策函数选择的不同,使用贝叶斯决策时可分析货币因素和非货币因素两种情况。当不同方案的期望值相同时,又可根据变异系数的大小进行方案的选择。     

基于条件自回归极差模型的沪深300指数波动性分析

通过选取不同的分布对自回归条件极差模型进行了改进,选择GARCH模型对对数收益率的波动率进行了建模,运用贝叶斯对两种模型中的参数进行分析.通过用沪深300指数数据进行实证分析,WinBUGS软件对两种模型当中的参数进行仿真,由参数估计值分析得到,自回归条件极差模型对波动短期效应有更好的捕捉能力,而GARCH模型优势在长期效应.     

带有缺失数据线性回归模型的变量选择

通过惩罚估计方程,对响应变量随机缺失下的线性回归模型,给出了一个变量选择方法,并结合局部二次逼近,得到了一个迭代算法,证明了此变量选择方法是相合的并且所得估计达到最优的参数收敛速度,最后通过数据模拟研究了此方法的有限样本性质.