方差分量模型中线性估计的最优性及可容许性

将随机效应线性模型和方差分量模型合并为一种模型,即具有随机回归系数的方差分量模型;给出了随机回归系数和参数的线性可估函数的最优线性无偏估计以及在矩阵损失函数下的可容许性;在正态假设下,讨论了线性估计在一切估计类中的可容许性.     

(p)混合误差下波动函数的局部多项式估计

文章考虑了具有混合误差的固定设计下的非参数回归模型,在回归函数及波动函数未知的情况下,利用回归函数的局部多项式估计,构造了波动函数的局部多项式估计;给出了该估计的渐近偏差和渐近方差,并在一定条件下得到了该估计的渐近正态性.     

混合误差下波动函数的局部多项式估计

文章考虑了具有混合误差的固定设计下的非参数回归模型,在回归函数及波动函数未知的情况下,利用回归函数的局部多项式估计,构造了波动函数的局部多项式估计;给出了该估计的渐近偏差和渐近方差,并在一定条件下得到了该估计的渐近正态性。     

非参数固定效应面板数据模型的约束剖面加权最小二乘估计

对异方差非参数固定效应面板数据模型的估计进行了研究.采用约束剖面加权最小二乘法,给出了估计量的闭表达式并且证明了固定效应参数和非参数函数估计具有渐近正态分布性质.进一步,得到了固定效应参数和非参数函数估计的收敛率.     

具有随机缺失响应变量的广义半参数模型

本文在响应变量随机缺失条件下,研究了广义半参数模型的拟似然估计方法,给出了缺失数据下的未知参数与非参数回归函数的拟似然估计,进一步求出了估计的渐近偏差和渐近方差,并证明了所给出的拟似然估计具有渐近正态性。     

相依序列方差变点的非参数统计分析

基于严平稳β-混合过程,建立回归函数和条件方差函数形式均未知情况下的自回归异方差模型方差变点的估计方法;并给出变点检验统计量渐近正态性的证明,由此得到方差变点的检验方法;最后,通过数值模拟,展示估计方法的有效性.     

ARCH(0,q)模型参数M-估计的渐近性质

在一个新的准则函数下,用遍历性定理证明了自回归条件异方差模型ARCH(0,q)参数的M-估计的相合性,并用鞅中心极限定理给出了该模型M-估计的渐近正态性.     

缺失数据下局部M-估计的相合性和渐近正态性

在缺失响应变量的不完全数据下,对非参数回归模型进行研究,利用稳健的变窗宽局部线性回归的方法,给出了回归函数m(x)的估计,并证明了局部M-估计具有相合性和渐近正态性.所提出的方法继承了局部多项式回归的优点并且克服了最小二乘方法缺乏稳健性的缺点.并且使用变窗宽提高了所得M-估计的可塑性,使之能成功地处理空间非齐次曲线、异方差性及非均匀设计密度.所得估计的渐近结果为求渐近最优方案以及直接从数据估计最优变窗宽提供了理论基础.     

一阶广义随机系数自回归模型参数的最小渐近方差估计

研究广义随机系数自回归模型中参数的估计问题, 给出了未知参数的一个估计类, 证明了该估计类中估计的相合性和渐近正态性, 并且获得了该估计类中的最小渐近方差估计, 并通过数值模拟比较了估计类中各种估计方法的优劣.     

附加信息下分布函数与分位数估计的渐近性质

对于在附加信息Ｅｇ（Ｘ）＝０下,用经验似然方法所获得的分布函数和分位数估计,给出了这些估计的强相合性,渐近正态性和重对数律,并且说明它们的渐近方差比通常分布函数和分位数估计的渐近方差要小。     

随机模型对GPS网平差结果的影响

指出根据观测数据对随机模型验后估计的意义，介绍随机模型验后估计的理论和方法及GPS基线网平差的数学模型，研究用方差分量估计与非负估计方法对不同时段不同分区的方差协方差矩阵进行估计，以评定基线观测值的质量，同时研究它对参数估计的影响，算例的计算结果表明，方差分量估计正确与否对GPS网平差结果的影响可达6mm。因此，在GPS网平差中，合理估计方差分量并定权对改善平差结果具有积极意义。     

基于运行模式的车辆能耗排放估计方法

车辆能耗排放特征与车辆运行模式密切相关.为提高车辆能耗排放估计的准确性,利用稀疏移动传感器数据,提出了一种基于运行模式的车辆能耗排放估计方法.以真实的车辆轨迹数据对模型进行了标定与验证.研究表明,所提出的车辆能耗排放估计方法能够有效地反映真实的车辆能耗排放特征.研究成果有助于拓展稀疏移动传感器数据的应用范围,为估计车辆能耗排放特征提供了一种新的研究思路.     

小波域中基于模糊的图像去噪方法

在图像去噪方法中,信号局部方差估计的准确性对去噪效果起至关重要的作用．根据图像小波系数与邻近点的相关性,把模糊（Fuzzy-based）函数用于估计信号的局部方差,根据局部噪声变化自适应地去除噪声．仿真表明,提出的局部方差估计算法FLAWML的去噪效果相对其他算法有较好的改善,保存了图像的边缘细节,增强了图像视觉效果．     

A Novel Two-step Frequency Offset Estimator for OFDM

Based on an orthogonal frequency division multiplexing（OFDM） training symbol with L identical parts, a novel carrier frequency offset （CFO） estimator is proposed for OFDM systems. The CFO is estimated in two steps, fine estimate and coarse estimate. In the first step, the fine estimation is performed based on the principle of minimum variance. However, the fine estimation has ambiguity since its estimate range is limited. In the second step, the coarse estimation is obtained, which results in a larger estimate range but less precision. Using the coarse estimation, the ambiguity of fine estimation is resolved. To fully use the correlation among L identical parts, the fine estimation resolved the ambiguity and the coarse estimation are optimally combined to obtain the final estimation. Furthermore, the estimation variance of the proposed method is derived. Simulation results demonstrate that the novel two-step estimator outperforms the conventional two-step estimator in terms of estimate performance and computational complexity.     

分布式监测系统可靠性贝叶斯评估

以贝叶斯理论为依据,考虑元件可靠性评估不确定性的影响,建立分布式监测系统的系统可靠性评估方法.在单个元件存活率服从二项分布的前提下,用元件可靠度评估的高阶矩计算系统可靠度评估方差与置信区间,利用贝叶斯方法进行元件可靠度评估和系统可靠度置信区间分析.通过一个实例进行计算与分析,表明该方法在监测系统可靠性设计与评估方面有一定实用价值.     

基于图像分割的噪声方差估计

提出一种基于图像分割的噪声方差两步估计算法。第一步,对含有噪声的图像进行平滑,再利用统计区域归并算法对图像进行分割,并计算每个区域的方差,根据统计规律选择适当的区域估计图像中噪声方差。第二步,利用初始估计的方差,修正平滑滤波、图像分割及噪声估计的参数,进行新一轮的平滑、分割和方差估计,得出更为准确的估计结果。在大量图像和不同噪声情况下的实验结果表明,该算法可以快速、准确地估计图像中噪声方差。     

边角网赫尔默特方差分量估计的特征根法

叙述了赫尔默特方差分量估计的基本思想和基本公式;结合边角网方差分量估计的特点,总结边角网方差分量估计的定权规律;为避免赫尔默特方差分量估计的公式中存在矩阵求逆、多矩阵连乘再求迹的复杂运算,导出边角网方差分量估计的简化公式--特征根公式.     

Fisher得分法与EM算法在随机效应模型中的应用

随着随机模型的广泛应用,关于随机效应模型的参数估计一直是线性模型的最活跃的研究方向之一。我们经常估计这类模型的固定效应和方差成分。我们使用极大似然估计作为估计方差成分的一种技巧,为了考虑到估计固定效应时的自由度的损失,我们又会使用限制极大似然估计。计算方差成分的ML或者REML估计时,有很多迭代算法可以使用。我们关心的是Fisher得分法和EM算法应用到随机效应模型的方差成分上,通过使用这两种算法对随机效应模型的方差成分的极大似然估计和限制极大似然估计进行比较分析。本文给出EM算法用于求极大似然估计的具体公式补充证明,并对Fisher得分法在随机效应模型中的应用限制极大似然估计给予具体公式。     

非参数的广义转换异方差模型

在风险管理中，费用的平均值E［Y|[WTHX]X[WTBZ]］是一个关键参数.预测平均费用的主要困难在于费用数据是严重偏态且异方差.目前常用的方法有转换模型及广义线性模型方法，这两个方法独立被研究，没有任何交叉，它们部分地克服了数据的偏态性及异方差性质. 本文提出了一个新的非参数模型，它不要求给定转换函数、联系函数、方差函数及误差分布函数. 现有的转换模型及广义线性模型都只是这个模型的特例，该模型可以在一个相当广泛的范围内提供一个最好的选择. 更重要的是本文用一个非常简单的方法估计感兴趣的参数，估计过程中     

随时间变化系数参数AR模型的Bayes估计

采用Bayes方法,给出一维随时间变化系数自回归时间序列模型(TVPAR模型)中各参数的Bayes估计.选取未知参数的先验分布为均匀分布和逆伽马分布,采用MCEM算法,给出了模型中各参数的估计算法,并对模型进行了模拟计算与实证分析.