双边定数截尾下线性指数分布的参数估计

在双边定数截尾样本下讨论了线性指数分布中未知参数的极大似然估计和Bayes估计.通过Newton-Raphson迭代法得到了参数的极大似然估计,并证明了极大似然估计的唯一存在性.选取无信息先验分布与共轭先验分布,分别在对称损失函数和非对称损失函数下,通过Tierney-Kadane近似讨论参数的Bayes近似估计.利用MatlabR200b模拟了未知参数的极大似然估计的均方误差以及Bayes估计的均方误差,结果表明：不同样本量不同截尾方案下,选取Gamma先验分布并在平方损失函数下,未知参数的Bayes估计的均方误差是最小的.     

利用小样本数据预处理技术提高效能指标精度

提出了运用熵值判别法和线性均方估计法来处理小样本数据的方法.熵值判别法是根据熵的上界对应最大的不确定度,利用所得数据的熵信息量判别数据是否含有粗大误差;线性均方估计消除粗大误差是一种采用软化的方法处理粗大误差.经过多次试验,结果表明这两种方法在处理小样本采样数据时能够有效地提高数据精度.     

线性模型的模型选择与模型平均

本文在线性模型下讨论了兴趣参数的模型选择与模型平均问题.首先利用最小二乘方法估计子模型下回归系数,进而推导回归系数和兴趣参数估计量的渐近分布,然后得出兴趣参数估计量的均方误差无偏估计量,构造出兴趣模型选择准则,最后通过比较各子模型的兴趣信息准则值选出最优模型.     

基于Parzen窗技术和信息熵的图像分割阈值选取新方法PWET

传统的阈值选取方法是以图像的灰度直方图做为像素灰度值的概率密度函数的近似估计,然后利用此密度函数来构造目标函数,通过在灰度值中搜索使目标函数最大化(最小化)的灰度值做为最优全局阈值,从而实现图像的分割.为了克服以直方图(灰度值出现的频率)替代灰度值的概率分布不够准确的缺陷,提出了一种基于parzen窗技术和信息熵的阅值选取新方法PWET.该方法以图像的像素坐标集为样本空间,利用parzen窗技术估计图像灰度值的空间概率分布,再结合信息熵来构造新的目标函数,通过在灰度值范围内搜索使目标函数最大的灰度值作为最优全局阈值.通过将PWET方法和传统的KSW熵方法进行比较实验,结果表明PWET方法对图像分割更有效.     

信噪比对非参数回归模型拟合效果的数值模拟

为探究信噪比大小对非参数回归模型拟合的影响,本文针对固定设计下的非参数回归模型进行Monte Carlo数值模拟.在模拟中使用了三次B-样条估计方法,并利用AIC和BIC准则自动选择结点.结果表明:信噪比越大,均值函数估计的平均平方误差的平方根的均值和标准差越小,另外,响应变量的拟合的均方误差和平均绝对误差也越小.     

一种用于山区土壤重金属评估的集成RBF空间插值算法(英文)

提出了一种在山区能够准确、稳定地预测未采样点土壤重金属浓度的集成径向基函数神经网络空间插值方法(IRBFANNs).该方法集成径向基函数神经网络和神经网络集成技术的优点.为了研究所提IRBFANNs方法的性能,进行了3组不同采样密度条件下的实验.通过M n元素插值的均方根误差和分布估计图对IRBFANNs和其他6个插值方法进行了比较.实验结果表明:IRBFANNs方法在精确性和稳定性方面优于其他参评方法,且在采样密度稀疏条件下该方法能够提供细节较丰富的分布估计图.     

基于一种改进的小波阈值图像去噪算法

在Dohono和Johnstone提出的多分辨率分析小渡阈值去噪的基础上,对阈值函数进行了改进,构造了一个新的阈值函数,克服了硬阔值函数不连续的缺点,同软阈值函数一样具有连续性,还克服了软阁值函数中估计小波系数与分解小波系数之间存在着恒定偏差的缺陷。仿真结果表明,利用新闻值函数进行图像去噪,在信噪比增益和最小均方误差意义上均优于传统的软硬阈值方法.     

基于缺失数据下混合Pareto分布参数的估计

文章运用矩估计的方法,研究当数据不完整的情况下混合Pareto分布总体参数估计问题.首先,由矩估计法解得的统计量满足相合性和渐近正态性.然后,由随机模拟得出两参数估计的均方误差.最后,通过观测均方误差结果验证其具有可行性.     

分布数据流上基于Min-wise散列函数的采样(英文)

针对分布数据流中存在的冗余和不一致信息问题, 提出了一种基于Min-wise散列的采样方法, 并定义了反映应用需求的分布数据流并的语义. 首先, 对于每一族Min-wise散列函数选取具有最小散列值的数据作为局部样本, 滤除单个数据流中的频繁更新对采样偏斜的影响. 然后, 对于相同散列函数产生的样本选取具有最小散列值的样本作为全局样本, 完成局部样本集在中心节点的合并, 滤除在分布节点上的重复更新对样本偏斜的影响. 最后, 利用获得的均匀样本集, 在多种数据流并的语义上精确估计聚集函数的值. 基于人造数据和真实数据的对比试验验证了该方法的有效性.     

约束最小二乘估计关于误差分布的稳健性

对于设计矩阵X是列降秩的且带有线性约束的线性模型,讨论了约束最小二乘估计关于误差分布的稳健性,给出了误差分布的最大类,使得误差项的分布在此范围内变动时,约束最小二乘估计在均方误差矩阵准则下是最优估计.     

基于雷达成像的熵函数优化方法(英文)

对ISAR成像的最小熵自聚焦(MEA)算法进行了收敛性分析. 仿真结果表明, MEA算法存在局部最优问题, 作为其代价函数的ISAR像熵函数并非多维补偿相位的下凸函数. 只有当该补偿相位矢量的初值选取合适, 使其处于像熵函数的全局最小点附近时, MEA算法才能收敛到全局最优解. 针对MEA算法的最优化问题, 给出了一种基于雷达成像的熵函数优化方法. 该方法首先采用改进的多普勒中心跟踪法估计补偿相位初值. 该初值是最大似然准则下的估计结果, 可以使初始相位位于最优解附近. 然后, 利用快速MEA 算法进行局部搜索, 得到全局最优解. 仿真结果表明, 该算法不仅实现了MEA算法的全局最优求解, 还可避免步长、阈值等参数的选择与调整.     

刻度平方误差损失下逆指数分布的Bayes可靠性分析

本文在刻度平方误差损失函数下研究逆指数分布参数的Bayes估计问题,在参数的先验分布为Gamma先验分布下,得到了参数的Bayes估计.最后,通过蒙特卡洛统计模拟试验比较分析最大似然估计和Bayes估计.     

关于核密度估计误差准则的渐近性质

假定f~d(、)是R上的一个密度函数,(?)(·;h)是这个密度函数建基于来自这个密度函数f(·)的容量为n的一个随机样本的核型估计.令ASE(h),ISE(h)和MISE(h)分别表示这个非参数密度估计量的平均均方误差、积分均方误差以及平均积分均方误差.在某些一般的条件下,我们证明了ASE(h)/MISE(h)以及ISE(h)/MISE(h)到1的殆必收敛性     

刻度平方误差损失下伽玛分布参数的Bayes估计

文中对给定容量为n的一个伽玛分布样本,在刻度平方误差损失函数下,研究了伽玛分布参数的Bayes估计,证明了这一估计是可容许的,并给出了未知参数的Bayes区间估计.     

基于改进阈值函数的小波去噪算法研究

为更好地消除心电信号（ECG）处理过程中存在的基线漂移、工频干扰和肌电干扰等噪声,提出一种基于改进小波阈值的去噪算法。该算法选定 coi5 作为小波基进行分解,选取分解尺度为 8 层,使用改进的阈值选取方法对每一层信号系数进行去噪。该阈值函数不仅克服了硬阈值函数不连续的缺点,而且解决了软阈值函数存在的恒定偏差,同时具有良好的自适应性。实验结果表明,该方法与传统阈值法相比,信噪比提高了24.26%,均方误差降低了 21.42%;与当前国际上先进的去噪算法相比,信噪比提高了 2.01%,均方误差降低了6.9%,去噪效果显著提升,验证了该算法的有效性。     

对数误差平方损失和熵损失函数下Topp-Leone分布参数的Minimax估计

本文在不同损失函数下研究Topp-Leone分布参数的Minimax估计问题。首先给出了参数的最大似然估计,然后在对数误差平方损失函数和熵损失函数下导出了参数的Bayes估计和经验Bayes估计,最后应用Lehmann定理得到了参数的Minimax估计。     

对数误差平方损失和熵损失函数下Topp-Leone分布参数的Minimax估计

本文在不同损失函数下研究Topp-Leone分布参数的Minimax估计问题。首先给出了参数的最大似然估计,然后在对数误差平方损失函数和熵损失函数下导出了参数的Bayes估计和经验Bayes估计,最后应用Lehmann定理得到了参数的Minimax估计。     

基于时间序列分析的车载MEMS陀螺仪异常测量数据的辨识与修正(英文)

针对目前车载MEMS陀螺仪含有较多异常测量数据的情况,提出了一种基于时间序列分析的辨识和修正方法.根据MEMS陀螺仪测量数据的自相关函数和偏相关函数特征初步确定自回归移动平均(ARI-MA)模型,再引入AIC准则确定最优模型,并采用最小二乘估计法对模型参数进行估计.当此模型的有效性检验通过时,即用该模型对测量数据的变化趋势进行预测.当某个测量值与其预测值之差大于设定的阈值时,则判定此测量值为异常数据并用预测值进行修正.为了验证所提算法的效果,对MEMS陀螺仪测量的横摆角速度数据进行了实验.结果表明,所提方法可以有效地识别出车载MEMS陀螺仪的异常测量数据,并能进行合理的修正.     

逐步二型删失数据下广义Pareto分布的参数估计

逐步二型删失数据在生存分析中的应用较为广泛,因此在逐步二型删失数据下推导了广义Pareto分布中的尺度参数的极大似然估计与Bayes估计的估计形式,并在平方损失函数下,基于MCMC方法与Lindley近似法,给出了广义Pareto分布尺度参数的Bayes估计.结果表明：贝叶斯估计方法优于极大似然估计方法,MCMC后验抽样下的Bayes估计优于Lindley近似方法.     

分布估计算法在多维函数优化中的应用

分布估计算法是一类新的进化算法,它通过统计在当前群体中选出的个体信息给出下一代个体分布的概率统计,用随机取样的方法生成下一代群体。文章将建立在一般结构Gauss网络上的分布估计算法应用于多维函数的优化并与传统的粒子群优化算法进行了比较。仿真实验结果表明,分布估计算法可以在很短的时间内收敛至全局最优解,避免了传统算法的不足,提高了函数优化的准确性。