贝叶斯估计和经典估计的对比研究

分析和探讨了经典估计和贝叶斯估计的异同，并结合一个实例对两种估计进行比较，从而得到两种估计思想统一于贝叶斯定理，并在特定场合下相互等价的结论。     

Stein损失函数下的保费估计

利用信度理论研究在Stein损失函数下的保费估计问题,分析了贝叶斯估计、信度估计、多层贝叶斯估计3种估计,并计算3种保费估计,比较其结果发现在Stein损失函数下:当样本数n趋于无穷大时,信度保费会收敛到风险保费,且多层贝叶斯估计比贝叶斯估计的稳健性更强.     

贝叶斯估计的影响分析

本文讨论数据对贝叶斯估计的影响问题，建立了两个度量数据对贝叶斯估计影响的度量，并建立了它们在相关系数之间的精确关系。     

随机截尾情形下Rayleigh分布参数的贝叶斯估计

在不同的先验分布和损失函数下给出了未知参数的贝叶斯估计,最后通过随机模拟给出了几种估计的均值和均方误差,说明了其中的两种估计是较优良的.     

信号估计中的贝叶斯方法及应用

贝叶斯估计理论在图像处理领域有广泛的应用.结合图像去噪问题,讨论了贝叶斯最大后验概率估计技术,并推导了信号的最小均方误差估计;在此基础上,提出了一种利用后验均值准则推导维纳滤波表达式的方法.     

峰度与偏度系数的近似经验贝叶斯估计

建立了单样本数据的贝叶斯模型,给出了偏度系数和峰度系数的线性贝叶斯估计及近似信度估计.进而,将模型推广到多样本数据模型下,并讨论了近似信度估计的统计性质,比较了贝叶斯估计、线性贝叶斯估计及近似信度估计的均方误差.最后,给出了超参数的估计,得到了近似信度估计的经验贝叶斯估计,使该估计可直接运用于实际问题.     

负二项分布下参数的方差一致最小无偏估计及贝叶斯估计

本文利用充分完全统计量,给出了负二项分布下,总体均值μ和参数P的方差一致最小的无偏估计(UMVUE),特别当r=1时,给出了方差σ2的UMVUE,然后,再利用共轭先验分布给出参数P的贝叶斯估计,并在特殊情形下,对两种估计进行了比较。     

非线形模型方差的贝叶斯估计

 在均方误差的条件下,系统地研究了非线形模型方差的贝叶斯估计,提出了共轭和无先验信息的最佳贝叶斯估计和最佳无偏贝叶斯估计以及方差的最佳条件无偏贝叶斯估计.还提出了带有共轭和无先验信息的方差的极大后验估计,最后用一个简单的例子来说明上述结论的可行性.     

二项分布参数的经典估计与Bayes估计相等的关系

证明了二项分布中未知参数的经典估计(最大似然估计和矩估计),一定存在一个先验分布,使其贝叶斯估计就是该经典估计的结论.     

Rayleigh分布参数的贝叶斯经验贝叶斯估计

文章在均方损失函数下研究了Rayleigh分布参数的贝叶斯经验贝叶斯估计问题;在b=1条件下,证明了其贝叶斯经验贝叶斯估计是几乎处处收敛于贝叶斯估计的,并且它是渐近最优的;最后,给出蒙特卡罗随机模拟试验验证了此贝叶斯经验贝叶斯估计的渐近最优性。     

线性回归模型参数的BC估计

对线性回归模型的参数给出了一种新的有偏压缩估计,简称ＢＣ估计,并证明了ＢＣ估计的许多优良性质。     

典型相关系数与最佳线性无偏估计

利用随机向量间典型相关系数的个数,刻画了在一般Guass Markov模型下的Xβ的最佳线性无偏估计,并讨论了稳健性问题.     

基于多尺度最小二乘确定长记忆过程参数的方法

利用离散小波变换对随机过程或时间序列进行多尺度分析,在多尺度空间中研究时间序列的方差及性质,利用小波方差的对数近似地线性依赖尺度对数这一特性,将最小二乘估计方法应用到长记忆过程参数估计问题中,从而提出长记忆过程的多尺度最小二乘估计的新方法.利用此方法不但能降低对随机参数估计时的计算量,而且在精度上也可达到令人满意的结果.     

基于中值滤波的脑事件关联电位单次提取

提出了一种基于中值滤波的脑事件关联电位单次提取方法,刺激方式为奥德勃模式,直接用真实的数据进行实验,在分析背景噪声的基础上,将单次记录到的原始信号用中值滤波器进行处理,然后对结果进行低通平滑。实验结果表明,该方法具有良好的单次提取效果及很强的适应性和稳健性。     

AR模型参数的Bootstrap方差估计

针对故障诊断中AR模型参数判别门限值的确定需要大量样本和重复多次试验的问题，采用小样本统计的Bootstrap方法对车削振颤AR模型参数的方差进行了估计，结果表明，该方法具有较好的估计结果和工程应用价值。     

求解多目标优化问题的分布估计算法

通过对多目标优化方法研究现状的分析,针对多目标优化问题的特点提出一种基于联合正态分布的求解多目标优化问题的分布估计算法。该算法将不同目标函数的自变量作为不同的随机变量,用联合正态分布对扩充的解空间进行估计,并用投影的方式将采样点映射到解空间中。仿真结果表明了该算法的有效性。     

基于神经网络集成的IRT参数估计

针对统计方法难以解决小样本条件下项目反应理论（IRT）项目参数问题,提出了运用广义回归神经网络（GRNN）集成对小样本条件下项目参数进行估计的方法,运用计算机模拟的方法产生项目参数的真实值,根据双参数逻辑斯蒂模型得到被试的反应矩阵。运用经典测验理论方法得到项目难度和区分度的统计量,将其作为神经网络的输入,以模拟产生IRT的项目参数作为网络的输出,对GRNN进行训练。并且对30个神经网络加以集成,将它们在测试阶段得到输出值的平均值作为IRT参数的估计值。结果表明,神经网络集成可以得到比统计方法和单个神经网络更好的参数估计结果。     

模型基编码中的脸部运动估值研究

主要针对模型基编码方案的运动参数估值问题 ,运用 3维运动估值的方法 ,推导出运用于人脸运动参数估值的运动模型和光流算法 ,并对该算法的效果进行分析 ,对算法的改进提出看法。     

拥塞控制中RTT估计方案的研究综述

拥塞控制中RTT的估计值是表征网络是否发生拥塞的重要参数之一,怎样准确估计RTT的值是当前网络拥塞控制中研究的一个热点。分析了当前国内外RTT估计方案的优缺点,指出了有关RTT在拥塞控制中的几个研究方向。     

Robust Sensor Bias Estimation for Ill-Conditioned Scenarios

Sensor bias estimation is an inherent problem in multi-sensor data fusion systems. Classical methods such as the Generalized Least Squares (GLS) method can have numerical problems with ill-conditioned sets which are common in practical applications. This paper describes an azimuth-GLS method that provides a solution to the ill-conditioning problem while maintaining reasonable accuracy compared with the classical GLS method. The mean square error is given for both methods as a criterion to determine when to use this azimuth-GLS method. Furthermore, the separation boundary between the azimuth-GLS favorable region and that of the GLS method is explicitly plotted. Extensive simulations show that the azimuth-GLS approach is preferable in most scenarios.