最佳线性无偏估计中的W-K统计量

本文提出了最佳线性无偏估计中的W-K统计量，用它讨论了数据的影响，并建立了它与相关系之间的关系，推广了文献[1]和[2]的结果。     

最小二乘估计的不变性

本文推广了多元线性模型中最小二乘估计的概念,给出了参数函数的最小二乘估计的定义,并指出了最小二乘估计的不变性和它与充分统计量的关系以及在正态模型中它与极大似然估计的等价性。     

基于高阶累计量的车辆上下行声频检测方法

提出了一种基于麦克风阵列信号处理的车辆上下行估计的新方法,将车辆的上下行估计归结为阵列信号处理中的波达方向变化的估计。针对车辆噪声信号的复杂性和二阶统计量的局限性,采用高阶累计量实现了DOA估计,并说明了基于高阶累计量实现的估计结果明显优于二阶统计量。最后通过试验论证了该方法在实现行车方向估计时的有效性。     

k-d类估计下数据删除模型的强影响分析

在k-d类估计下对单个数据删除模型进行研究,得到原模型β(k,d)与数据删除β(k,d)(i)、岭估计β_k之间的关系,并推导得到CR_i统计量和Cook统计量新的表达形式.     

Minimax线性估计中的影响度量

本文建立了度量数据对Minimax线性估计及拟合值的影响的广义方差比,Cook统计量和W—K统计量。研究了他们的性质得到了一些有用的结果。并找到了W—K统计量和相关系数的关系。     

修正LIU估计下数据删除模型的强影响分析

在修正LIU估计下对单个数据删除模型进行研究,讨论数据删除模型估计量的性质,得到修正LIU估计β赞MLE(i)与LIU估计β赞LE间的关系,以及预测估计y赞i可由β赞MLE与yi线性表出等性质;同时,本文在前人的基础上推导得到CRi统计量和Cook统计量新的表达形式,并在实例中用Cook距离来识别强影响点,验证其合理性.     

一种新的MPSK信号信噪比估计算法

针对现有PSK信号信噪比估计算法估计精度不高,估计范围小的问题,本文在高阶统计量的基础上,使用全回归线性分析方法得到了一种新的MPSK信噪比估计算法。新算法首先建立信噪比与统计量之间的线性关系,再利用全回归方法拟合出各线性系数。经仿真表明：该算法综合使用各阶统计量信息,扩大了现有信噪比估计算法的估计范围,并使得低信噪比估计性能明显优于其它算法。     

有关重尾指数位置不变的估计

对一个统计量进行了研究,该统计量能够推导出一些重尾指数的估计,这些估计都是位置不变的.文章还给出了该统计量的渐近性质。     

基于L阵的分布式信源二维波达方向估计算法

研究了将相干分布式信源积分形式的方向向量化简为点信源方向向量与实向量的Schur-Hadamard积的方法,提出了一种基于L阵的相干分布式信源二维波达方向分离估计算法.利用阵列结构的特点首先估计仰角,然后构造基于Schur-Hadamard积的二阶统计量估计方位角,所利用的二阶统计量对噪声不敏感,具有较好的信噪比性能.该算法将二维波达方向联合估计简化为两步一维估计,有效降低了计算量.仿真实验验证了所提算法的有效性.     

利用鞍点逼近与Bootstrapping方法估计统计量的分布

统计量分布的确定是统计推断的一个关键工作，在总体分布已知的条件下，鞍点逼近在很多场合可以给出统计量分布的良好近似．在介绍鞍点逼近方法的基础上给出了一个结合鞍点逼近与Bootstrapping方法估计统计量分布的方法，解决了总体分布未知的条件下统计量近似分布的估计问题，并以样本均值的分布为例进行了讨论。     

岭估计的影响分析

建立了岭回归中的方差比Cook距离、W-K统计量.用他们研究了数据对岭估计及拟合值的影响,得到了一些有用的结果.此外,找到了方差比,W-K统计量与相关系数之间的精确关系.文[4]和[5]的部分结果是本文的特例.     

加权线性回归模型的BLUE影响分析

讨论了一组或m组数据扰动或删除前后BLUE的变化及协方差扰动和数据删除对BLUE的混合影响,分别建立了β^W(J),^βW(i),^βW,gi(j)与^βW的关系;提出了度量数据扰动或删除对BLUE的影响的W K统计量,并给出了W K统计量与广义相关系数的关系,得到KI(J)与KI(I)的上下界;最后用实例说明了W K统计量在影响分析时的有效性.     

边界条件下线性模型的影响分析(英文)

建立了边界条件下线性模型中的Cook距离,W—K统计量和A—P统计量。用它们研究了数据对约束最小二乘估计及拟合值的影响问题,得到了一些有意义的结果。     

最佳线性无偏估计中的一个影响度量

本文讨论数据的剔除对最佳线性无偏估计的影响大小。用方差比做为判定影响大小的度量，并找到了它与相关系数之间的精确关系。     

混合估计的影响分析

讨论数据对混合估计的影响问题。建立了几个影响度量，用它们研究了数据对混合估计的影响大小，并找到了它们与相关系数之间的联系。     

广义岭型主成分估计的优良性质

讨论线性回归模型的一种有偏估计广义岭型主成分估计,给出广义岭型主成分估计一些性质,证明在MSE和GMSE准则下是等价的并且优于最小二乘估计,在Pitman准则下优于最小二乘估计和岭型估计.进一步得到了在均方误差意义下广义岭型主成分估计是可容许估计的结论.     

广义岭型主成分估计的一些性质

讨论了广义岭型主成分估计的一些性质,引入一种估计的相对效率,证明了广义岭型主成分估计比岭型主成分估计和主成分估计的效率高,并且在Pitman准则下也优于岭型主成分估计和主成分估计.     

多元线性模型中的W—K统计量

本文提出了多元线性模型中的W-K统计,用它讨论了数据对拟合值的影响并求出了影响度量的概率分布。     

广义压缩最小二乘估计中的一个影响度量

广义方差比是一个效率度量.这里用它作为判定数据时广义压缩最小二乘估计的影响度量,讨论了数据对广义压缩最小二乘估计的影响问题.找到了广义方差比度量与Hoetelling广义相关系数的精确关系.