简单半序约束下,估计位置参数的一个非参方法

对k个总体,本文讨论其位置参数被简单半序约束时的估计问题。把单个总体位置参数的H-L估计应用到多个总体的情况,定义了加权保序H-L估计,给出算法及性质。并且用Monte-Carlo方法模拟比较k=2时,L1保序回归与加权保序H-L估计产生的似然函数的大小。     

多个正态总体均值与标准差比在简单树序约束下的最大似然估计

考虑k(k>3)个正态总体均值与标准差(均值和标准差均未知)之比在简单树序约束下最大似然估计的求解问题, 应用保序回归理论给出了计算均值和标准差最大似然估计的迭代算法, 并证明了所给迭代算法是收敛的, 给出了k=7时利用迭代算法的模拟结果.     

多个正态总体均值与标准差比在简单树序约束下的最大似然估计

考虑k(k>3)个正态总体均值与标准差（均值和标准差均未知）之比在简单树序约束下最大似然估计的求解问题, 应用保序回归理论给出了计算均值和标准差最大似然估计的迭代算法, 并证明了所给迭代算法是收敛的, 给出了k=7时利用迭代算法的模拟结果.     

基于MCMC的分位回归GARCH模型的贝叶斯分析

基于最小一乘方法提出了一类分位回归GARCH模型的2步估计方法,并且基于双指数分布和非对称Laplace分布构建了GARCH模型的似然函数,选择扩散先验分布,实现了对模型的贝叶斯估计.仿真分析发现基于最小一乘方法的贝叶斯分位回归方法可以全面有效地实现对GARCH模型的估计.     

一般正态线性回归模型岭估计的贝叶斯推广

本文讨论了一般正态线性回归模型的参数岭估计问题，从贝叶斯方法出发给出了岭估计在解决相关问题时的一种合理性的解释，并且将贝叶斯方法在特殊正态线性模型中的应用推广至更一般的正态线性回归模型．     

基于贝叶斯估计的空间函数型自回归模型及其应用

目的 为了研究函数型数据中响应变量的空间相关性,根据现有研究方法,对具有空间依赖性的函数型数据进行研究,并提出其模型的贝叶斯估计方法。方法 以典型空间自回归模型为基础,根据函数响应变量的空间依赖性,假设响应变量和解释变量间存在内生关系,生成空间函数型自回归模型,通过主成分分析将模型中函数型部分变为离散型,然后在给定先验情况下计算模型中参数的完全条件后验分布,使用贝叶斯MCMC方法进行估计。结果 使用联合Gibbs采样和随机游动的Metropolis-Hastings算法对模型中参数进行估计,通过模拟研究发现：不同参数下模型的函数型系数以及其他参数的估计偏差和均方误差较小,由此验证了贝叶斯估计方法的有效性,同时将空间函数型模型用于重庆市主城区新房平均价格的实证分析,结果表明所提出模型的贝叶斯估计方法是有效的。结论 使用贝叶斯估计方法对模型中参数进行估计,在不同情况下函数型解释变量的估计效果一直都比较好,并且随着样本量的增大,其估计效果也越来越好,可以认为使用贝叶斯估计方法对空间函数型自回归模型进行估计是有效且可行的,同时通过实证分析说明重庆市主城区新房平均价格具有空间自相关性,而且会受到...     

非参数回归的贝叶斯估计

基于因变量Y对自变量X条件分布的非参数贝叶斯估计,通过期望计算得到未知回归函数的后验估计表达式,并计算出估计的均方误差,证明该估计的均方收敛性.阐明当先验的选择接近真实的回归函数时,该估计的均方误差小于局部线性核回归的均方误差.最后通过实证分析,表明该非参数贝叶斯回归比非参数局部线性回归具有更好的预测效果.     

分位点门限自回归时间序列模型的贝叶斯分析

本文运用贝叶斯方法研究了分位点门限自回归时间序列模型的估计和预测.通过将分位点回归的最优化问题转化为极大似然估计的问题,作者利用Metropolis-Hastings算法对模型中的参数进行了贝叶斯估计.同时作者将模型应用于上证综合指数的收益率的数据,得到了这一收益率的分位点估计.这一方法的优越之处在于它不需要对数据的分布作预先的假定.     

非参数回归模型的贝叶斯局部线性估计

对于非参数回归模型=m(x)+ε,在局部线性估计中窗宽h的先验分布为Gamma分布的条件下,用未知光滑函数m(x)的后验均值构造了它的贝叶斯估计,并给出了参数的后验分布和抽样方法.模拟算例证明了贝叶斯局部线性估计方法的可行性.     

光滑样条回归的分层贝叶斯方法

从光滑样条回归的贝叶斯解释出发，将光滑参数λ看作先验分布中的超参数．用分层贝叶斯的方法，假定λ的先验分布为伽玛分布，用后验均值估计回归样余．通过模拟表明本文提出的方法具有很好的估计效果．     

移动终端通信网络传输链路快速选取方法研究

移动终端通信网络节点能量有限,采用当前链路选取方法对链路进行选择,需要将大量数据包作为测试样本,不仅能耗高,而且会导致通信效率大大降低。提出一种新的移动终端通信网络传输链路快速选取方法,介绍贝叶斯估计原理,对链路质量进行估计。假设节点选择备选链路集合中所有链路的概率是相等的,经k轮探测后,贝叶斯估计通过新增样本对应的链路质量进行估计,在此基础上引入优选机制,将质量估计结果最高的链路赋予最高的概率,将质量估计结果较低的链路赋予较低的概率,实现移动终端通信网络传输链路的快速选取。实验结果表明,所提方法不仅能够保证链路传输的正确性和完整性,而且链路选取速度快,具有很好的节能效果。     

绝对误差损失下的Bayes估计

本文研究在绝对误差损失下的Bayes估计,并得到一般形式的定理。     

带等式状态约束的集合卡尔曼滤波算法

对含等式状态约束的非线性系统状态估计问题,本文考虑将集合卡尔曼滤波算法与估计投影方法结合,分别对每个状态粒子和加权平均后的状态估计向量使用估计投影方法,得到两种新的带约束的状态估计算法. 实验表明,与粒子滤波和不带约束的集合卡尔曼滤波相比,新算法的估计精度有所提高     

基于HMM模型的贝叶斯滤波方法

针对非线性动态系统估计问题,引入了一种不完全观测数据的统计模型--HMM模型,其双层随机结构较好地满足了实际估计的要求.在具体滤波过程中,将处理非线性问题常用的贝叶斯方法和HMM模型进行结合,通过预测和更新操作实现系统状态后验的连续递推估计,提高了运算速度.     

多面体逼近在保序回归问题中的应用

研究了多面体最佳逼近算法在保序回归中的应用.对于多种广义保序回归及多维保序回归问题的求解,给出了较已往便捷精确的算法;并解决了含两个独立变量的保序回归的算法问题.     

Bayesian integration in sensorimotor learning

When we learn a new motor skill, such as playing an approaching tennis ball, both our sensors and the task possess variability. Our sensors provide imperfect information about the ball's velocity, so we can only estimate it. Combining information from multiple modalities can reduce the error in this estimate. On a longer time scale, not all velocities are a priori equally probable, and over the course of a match there will be a probability distribution of velocities. According to bayesian theory, an optimal estimate results from combining information about the distribution of velocities-the prior-with evidence from sensory feedback. As uncertainty increases, when playing in fog or at dusk, the system should increasingly rely on prior knowledge. To use a bayesian strategy, the brain would need to represent the prior distribution and the level of uncertainty in the sensory feedback. Here we control the statistical variations of a new sensorimotor task and manipulate the uncertainty of the sensory feedback. We show that subjects internally represent both the statistical distribution of the task and their sensory uncertainty, combining them in a manner consistent with a performance-optimizing bayesian process. The central nervous system therefore employs probabilistic models during sensorimotor learning.     

基于近似贝叶斯计算的HMM隐状态估计

为了得到似然函数不解析可得的 HMM 隐状态估计,将HMM 隐状态估计看成一个贝叶斯最优滤波问题,采用基于近似贝叶斯计算的离子滤波算法对此类问题进行求解,从而解决了一些常用算法如卡尔曼滤波、扩展卡尔曼滤波及离子滤波等都不能解决的似然函数不解析可得的滤波问题。     

Gamma分布参数多个转变点的Bayes推断

利用Ｂａｙｅｓ原理,研究了一类广泛应用的Ｇａｍｍａ分布密度函数中含有多个转变点的变结构问题,并给出了转主点的Ｂａｙｅｓ推断一般公式。通过变化点后验边缘概率的比较给出变点诊断并获得变点估计,最后的仿真结果表明了所提方法的有效性。     

基于贝叶斯估计的平稳小波去噪

提出了一种基础平稳小波变换的图像自适应去噪方法.以Laplace分布作为图像平稳小波系数的分布模型,利用贝叶斯最大后验估计原始图像的小波系数达到去噪的目的.实验结果表明,用该方法去噪能得到较高的峰值信噪比和较好的视觉效果.     

Gamma分布参数多个转变点的Bayes推断等

Based on bayesian principle,inference in structure change of parameters of Gamma distribution with multiple change points is investigated,and a general formula of Bayesian detection is given .By comparison among marginal posterior densities,detection and estimation of change points came out. Simulation results show efficency of the approach presented.