一类新的损失函数下负二项分布模型的Bayes可靠性分析

在一类新的加权平方损失函数下,给出了负二项分布可靠度的Bayes和多层Bayes估计,并利用E Bayes方法给出了负二项分布可靠度的E Bayes估计.针对得到的3种估计,给出了数值模拟,结果表明:E Bayes估计比多层Bayes估计优良.     

截断Pareto分布的Bayes分析

研究对于截断数据的Pareto分布的Bayes分析，在几种损失函数下，给出了未知参数的Bayes估计，并给出了一种新算法。     

贝叶斯方法在具有隐蔽数据的冷贮备系统中的应用

对于由部件寿命服从指数分布及成败型开关组成的冷贮备系统,在针对一隐蔽实验数据下,研究了该系统可靠性指标的Bayes估计.在超参数未知,平方损失函数下给出了两个参数及可靠性的Bayes估计.对于超参数的确定,给出了一种新的方法,最后给出了系统可靠性的Bayes近似置信限的计算公式.     

Γ部件冷贮备系统的可靠性分析

文中运用极大似然法、Bayes方法、经验Bayes方法,给出了Γ部件冷贮备系统失效率、可靠度函数与平均寿命的点估计,并利用Monte-Carlo方法,对3种估计结果进行了模拟比较,结果表明经验Bayes估计整体上优于Bayes估计和极大似然估计。     

在一种对称损失下马克斯威尔分布的参数Bayes估计

研究在一种对称损失函数下,马克斯威尔分布参数的Bayes估计及可容许性,并给出了Bayes估计的置信下限.     

一种对称损失下巴斯卡分布参数的Bayes估计

研究在一种对称损失函数下,巴斯卡分布可靠度的Bayes估计及其可容许性,并给出了Bayes估计的置信下限.     

可靠性工程中参数的一种估计方法

提出了可靠性工程中参数的一种估计方法——新Bayes估计法，给出了失效概率、失效率的新Bayes估计的定义及其新Bayes估计。最后，结合实际问题的数据，进行了具体计算和分析，结果表明所提出的新Bayes估计法有效、可行，便于工程技术人员在工程中应用。     

Bootstrap方法的仿真实现及其在系统偏差估计中的应用

该文研究Bootstrap方法与Bayes Bootstrap方法的原理及在小样本情况下的应用问题.分析了这二种统计方法的原理,给出了总体分布中未知参数的点估计方法和区间估计方法,后采用非参数抽样法,编写C语言程序,实现了Bootstrap方法与Bayes Bootstrap方法的计算机仿真.通过实例分析,给出了射击系统偏差在Bayes Bootstrap方法、Bootstrap方法和经典统计方法下的具体偏差值,得到Bayes Bootstrap方法优于其它二种方法的结论.     

一种加权对称损失函数下Rayleigh分布尺度参数倒数的Bayes估计

首先给出了在加权对称损失函数下Rayleigh分布尺度参数的Bayes估计的一般形式.然后在给出先验分布的条件下,给出了Bayes估计的精确形式.最后证明了此Bayes估计的可容许性.     

Bayes预测问题的统计分析Ⅰ

对形状参数β是已知和未知的两种情况,给出了双边截尾AM SAA模型的参数的Bayes点估计和区间估计以及某些统计量的Bayes预测限.     

有补偿二阶段问题的Bayes决策

本文利用Bayes决策观点,对于随机规划中的有补偿二阶段决策问题,定义了Bayes决策准则,并利用样本的信息给出了最优的Bayes决策,讨论了一些相应的性质。     

无偏预测理论在经验贝叶斯分析中的应用

从预测理论角度考虑了参数的经验贝叶斯估计问题。对正态总体下的估计问题进行了详细的讨论。证明了所给出的经验贝叶斯估计量是最优或条件最优无偏预测量。     

不同先验信息下成功概率的Bayes估计

参数的Bayes估计取决于先验分布和损失函数。在平方损失下,参数的Bayes估计是后验分布的均值。在无信息先验、Jeffreys先验和平方损失下,给出两点分布成功概率的估计,比较了其无偏性、方差、均方误差与风险,并进行了数值仿真实验。结果表明:无信息先验分布下的估计优于Jeffreys先验分布下的估计,无信息先验分布下估计的均方误差小于Jeffreys先验分布下的估计的均方误差,无信息先验分布下估计的风险小于Jeffreys先验分布下的估计的风险。     

基于贝叶斯公式的新生产线引进随机决策分析

企业的生产经营活动中随时随地都存在着随机性决策。随机性决策是否合理取决于决策信息是否被有效的利用。贝叶斯公式可以将模型信息、数据信息、先验信息等有效的结合起来,帮助企业管理者获得最优的决策方案。论文介绍了贝叶斯决策模型和相关概念,结合具体实例说明了贝叶斯随机决策的操作应用,对企业的随机决策管理具有一定的指导意义。     

基于特征相关的改进加权朴素贝叶斯分类算法

朴素贝叶斯分类算法的特征项间强独立性的假设在现实中是很难满足的.为了在一定程度上放松这一假设,提出了基于特征相关的改进加权朴素贝叶斯分类算法,该算法采用一种新的权重计算方法,这种权重计算方法是在传统词频反文档频率(TF-IDF)权重计算基础上,考虑到特征项在类内和类间的分布情况,另外还结合特征项间的相关度,调整权重计算值,加大最能代表所属类的特征项的权重,将它称之为TF-IDF-FC权重计算.与基于传统TF-IDF权重的加权朴素贝叶斯分类算法和其他常用加权朴素贝叶斯分类算法比较,如基于属性加权的朴素贝叶斯分类算法,这种算法的分类效果均有一定的提高.     

基于两步策略的英文文本分类

提出了基于两步策略的3种多类多标签英文文本分类方法:①以贝叶斯为分类器,以抽取词根的单词和未抽词根的单词分别作为第一、第二步使用特征的两步方法;②以贝叶斯和决策树分别为第一、第二步使用分类器的两步方法;③以ID 3、C 4.5和贝叶斯的组合分类器对部分特定类别进行分类,然后对余下类别采用方法②进行二次分类的混合两步方法。实验表明,3种方法中方法③具有最好的性能。     

指数分布下定数截尾步加试验参数的二次顺序约束Bayes估计

给出了2种方法,把指数分布下k个应力水平定数截尾步加试验数据转化为对应的恒加试验数据,然后利用恒加试验的结果,给出了在应力水平Si下产品平均寿命的经验分布估计和二次Bayes估计.     

元搜索引擎中检索结果排序的优化方法

提出了一种新的基于概率模型的排序优化方法．利用贝叶斯规则，结合各组成系统平均执行性能的信息，推导出一种新的相关度计算公式，较好地解决了结果融合中相关度规范化和均衡化的问题．经实验验证，该方法对结果进行了最优化排序，其实际执行性能超出了现有的任何一个组成系统的性能．     

非线性测量误差模型的Bayes估计

讨论了非线性测量误差模型在未知参数具有正态先验分布时的参数Bayes估计,并对这种估计进行了影响分析,证明了删除模型(CDM)和均值漂移模型(MSOM)具有相同的参数Bayes估计,同时给出了参数Bsyes估计的影响函数.