MERSS下Pareto分布刻度参数的估计

研究了动态极值排序集抽样(MERSS)下帕累托(Pareto)分布里刻度参数（a,c)的极大似然估计(MLE)和Fisher信息量.证明了MERSS下c参数MLE的存在性和唯一性,MERSS下c携带的Fisher信息量大于简单随机抽样(SRS)下携带的Fisher信息量.     

基于KG和左截断数据中的Fisher信息量和 MLE研究

在Koziol－Green模型和左截断数据下,研究了指数分布中未知参数λ的 Fisher信息量,与全数据下λ的Fisher信息量进行对比,得到了该模型下左截断观察数据λ的Fisher信息量是完全信息量的两倍,对未知参数λ的极大似然估计做了统计推断,得出相应结论。     

排序集下单指数分布均值的修正极大似然估计

排序集抽样(RSS)是一种有效的收集数据的方法.在求解RSS下单指数分布均值的极大似然估计(MLE)时,由于无法得到MLE的显性解,通常的做法是给似然方程中的后两项函数同时取均值,得到修正MLE(MMLE).该文重点考虑了仅给一项取均值,且证明了仅给一项取均值得到MMLE依然是无偏估计.数值比较表明,给一项取均值得到的MMLE方差一致小于给两项取均值得到MMLE的方差,且非常接近未修正MLE的均方差,同时小于简单随机抽样(SRS)下MLE的方差.     

基于循序-Ⅰ型删失数据的广义Pareto分布统计推断(英文)

研究了在循序-Ⅰ型删失数据情形下广义Pareto分布的统计推断问题,讨论了广义Pareto分布未知参数的最大似然估计(MLE).由于数据的缺失,采用EM方法来获得参数的MLE.基于遗失信息原则,给出了观测Fisher信息矩阵,进而给出未知参数的区间估计.通过数值模拟,讨论本文提出的方法.     

定数截尾下三参数BurrI分布参数估计的优良性与渐近性

研究BurrI分布族形状参数的一致最小方差无偏估计(UMVUE)、以及在刻度平方损失下的Bayes估计和参数型经验Bayes(PEB)估计.在均方误差(MSE)准则下比较UMVUE与PEB估计的优良性.给出了参数的PEB估计相对于它的Bayes估计的大样本性质,并获得其收敛速度o(n－1).对参数PEB估计的置信区间进行了数值模拟分析.     

Fisher矩阵与Fisher张量

一个随机变量X的Fisher矩阵定义为F=Eθ[hhT],这里f(x|θ)为X的密度函数,θ∈Rd为参数向量,h=Δ θln f(x|θ)为得分向量.介绍Fisher矩阵的几类等价定义及基本性质,引入Fisher张量,讨论了参数最大似然估计的渐近分布.     

Fisher信息量和充分性σ-代数

充分统计量和Fisher信息量是数理统计中的两个基本概念,并且两者之间有着密切的联系.例如已经知道一个估计量T是参数θ的有效估计的充要条件为T是一个充分估计.撇开统计量的概念,可以考虑更一般的充分性σ-代数.这时可以看到Fisher信息量和充分性σ-代数之间的更密切的本质上的联系.     

纵向数据半参数混合效应的Logistic模型

为了深入探究Logistic模型的统计推断问题,联合半参数混合效应模型和Logistic模型建立了纵向数据半参数混合效应的Logistic模型,进一步求出该模型的极大似然函数、Fisher信息阵,利用QLB(quadratic lower-bound)算法求解参数的极大似然估计.最后进行数值模拟,结果表明在此模型的求解问题上QLB算法是Newton-Raphson算法的合理替代.     

Weibull分布族参数的经验Bayes检验问题

在NA样本下研究了Weibull分布族刻度参数经验Bayes(EB)单侧检验问题,利用概率密度函数的核估计,构造了刻度参数的EB检验函数,并证明了所提出的经验Bayes检验函数的渐近最优(a.o.)性,获得了其收敛速度.     

一类特殊随机截尾试验下指数分布的参数估计

利用极大似然法(ML)和EM算法研究了一类特殊随机截尾试验下指数分布参数的极大似然估计和渐进置信区间.给出了参数的EM迭代公式,根据缺损信息原则得到了Fisher观察信息,构造了参数的bootstrap置信区间.随机模拟的结果表明:估计的精度较高,ML法和EM算法几乎一样,渐进置信区间和bootstrap置信区间的差别不大.     

排序集抽样下总体参数的修正似然比检验方法

基于排序集样本讨论了总体参数的修正似然比检验,并进一步比较了该检验与传统的似然比检验在参数空间上的功效,从假设检验的两类错误角度说明了基于排序集样本的修正似然比检验的优良性.     

基于排序集样本的似然比检验

从假设检验的角度,讨论了基于排序集抽样的似然比检验,并进一步比较了该检验与传统的似然比检验在参数空间上的功效,从假设检验的两类错误角度说明了基于排序集抽样的似然检验的优良性.     

排序集抽样下两样本相关参数的修正极大似然估计

排序集抽样是一种提高抽样效率的有效方法。然而,实际排序中不可避免会出现误差。这会对极大似然估计的结果造成一定的偏倚。文章基于排序集样本对传统的极大似然估计方程进行修正,讨论了修正的极大似然估计的性质,并进一步从渐进方差的角度说明了这一估计较传统方法更稳健。     

一种尺度参数的确定方法

密度函数的小波估计中,尺度参数的选择是最关键的问题,如果尺度参数选择大小,则受噪声影响比较大.如果尺度参数选择过大,虽然密度函数估计较好,但密度估计的曲线大幅振荡.通过在多维空间中,基于小波的多分辨分析理论对多变量密度函数进行的小波估计,提出了利用Fisher信息来确定尺度参数的新方法.     

基于滑动窗口最长公共子序列Wi Fi指纹定位算法

针对基于Wi Fi瞬时指纹定位算法中由于RSS信号的时变特性引起的Wi Fi定位精度差问题,提出了一种基于滑动窗口最长公共子序列指纹定位算法.该算法将时间序列的RSS信号指纹转化为基于滑动窗口的数据模型,增加了指纹特征信息,提高比对准确性.通过计算请求定位数据与样本的最长公共子序列来获得样本点的相似性,解决由于窗口伸缩或滑动窗口中个别采样点无信号引起的比对不准确问题,从而提高了定位的精确性和鲁棒性.实验结果表明,所提定位算法的结果明显优于瞬时指纹定位算法.     

大型发输电组合系统可靠性评估的Monte—Carlo法

本文提出了一种大型发输电组合系统可靠性评估的Monte-Carlo方法。它基于分散抽样技术、缺电功率分析法和最小缺电功率优化模型的结合,不仅计算比较快速,而且也有较高精度;在系统元件增加时,计算量只呈线性增长,因而特别适于大系统;对故障状态的抽样模拟,比确定性枚举更接近电力系统运行中故障发生的实际情况。而且方法很容易推广到计及元件的多状态、负荷的多水平及负荷的随机分布特性。文中给出了IEEE-RTS系统的计算结果,并与其它两种方法的结果作了比较。     

在量子信息分裂中利用局部测量提高量子参数估计

我们利用多体量子纠缠信道在环境噪声中实现了关于量子相位参量的信息分裂.这个量子信息分裂方案是指从一个发送端,人们将含有信息的任意量子态传输到多个接收端,然后利用么正测量在任意一个接收端上还原量子参量信息.我们发现,在退振幅阻尼噪声通道下,合理引入局部测量能提高量子参量估计精度.当环境表现为马尔科夫性时,经过量子信息分裂,量子参量估计精度的动力学演化会呈现单调衰减趋势.当环境具有一定记忆效应时,其演化会呈现振荡起伏行为.     

基于自适应用户模型的RSS内容过滤

为更好地解决用户如何从过载信息中快速获取需要的信息,利用RSS标准与内容过滤技术,提出了一种使用Rocchio单次反馈和多次反馈相结合的方法,此方法可以准确、快速地追踪用户兴趣的概念漂移,自适应用户模型的变化,更好地实现用户的个性化需求.为验证该方法的可行性,实现了一个基于RSS新闻的内容过滤系统(RSS News Filtering).     

基于排序集挑选抽样的分位数符号检验

针对传统的符号统计量只能检验中位数的弊端，提出检验总体分位数的基于排序集挑选抽样的符号统计量。并通过分析挑选抽样与均衡抽样的Pinllan相对效率，具体给出不同分位数的最优抽样，弥补了排序集抽样在检验极端分位数上的不足。