多元正态模型的线性不等式约束估计

研究含有不完全数据的多元正态模型参数在一般线性不等式约束下的极大似然估计问题;利用约束EM算法求得多元正态模型参数的迭代解,并证明了此解是一般线性不等式约束下的最优解.     

正态模型参数线性不等式约束估计的优化算法

研究含有不完全数据的多元正态模型参数在一般线性不等式约束下的极大似然估计问题;利用约束EM算法求得多元正态模型参数的迭代解,同时提出M-步的优化算法;并证明了此解是一般线性不等式约束下的最优解.     

基于EM算法约束条件下参数的估计

讨论了多元正态模型中的参数估计问题.利用EM算法和ECM算法给出了多元正态模型在协方差阵已知或未知的情况下,参数在简单序约束、伞型序约束和递增的凸序约束条件下的极大似然估计.当参数向量不多于三个分量时,给出了显式结果;当参数向量高于三个分量时,给出了求参数极大似然估计的相应线性变换.     

极值分布右截尾线性回归模型参数的极大似然估计

本文对右截尾数据的线性回归模型,在误差服从极值分布条件下,先给出其参数极大似然估计的一般迭代算法,然后证明了尺度参数为常数时EM算法与该一般迭代算法的一致性,保证了迭代的收敛.     

基于EM算法的无失效数据的参数估计

利用EM算法,在无失效数据样本下,对指数分布和Weibull分布的参数进行估计,得到了参数所满足的非线性方程或方程组.并利用EM算法的收敛性,保证用迭代的方法得到的非线性方程或方程组的近似解,正是收敛于参数真值的估计.最后对实际数据进行模拟计算,得到了合理的结果.     

广义泊松计数模型及其统计推断

基于广义泊松分布的性质,提出了广义泊松计数模型,解决了泊松计数模型中对照组数据过度分散和过度集中的问题.在模型的统计推断中,通过引入缺失数据和构建替代函数,研究了使用EM算法、MM算法计算模型中参数极大似然估计的迭代收敛算法.进一步地,通过统计模拟展示迭代算法中参数估计的误差,对模拟结果进行讨论得到有效的信息.     

EM-ACO算法及其在多重超声回波参数估计中的应用

针对EM算法在估计多重超声回波参数时存在收敛速度慢和迭代结果强烈依赖于初始值的缺点,将蚁群算法应用到多重超声回波参数估计的EM算法中,提出一种新的多重超声回波参数估计算法——EM-ACO算法.该算法结合EM算法和蚁群算法的优点,不仅可以改善EM算法估计多重超声回波参数时估计结果强烈依赖于初始值的缺点,有效提高EM算法的收敛速度,而且可以获得更高的参数估计精度.根据超声回波的高斯回波模型,应用EM-ACO算法,在不同的信噪比条件下,对多重超声回波的参数向量组进行估计.仿真结果表明:EM-ACO算法能在各种不同的初始值条件下,以较少的迭代次数估计出多重超声回波的参数向量组,并且具有较高的估计精度.     

线性不等式约束下一类线性模型参数估计的渐近解及其收敛性

利用交替迭代算法, 研究在线性不等式约束下具有相同参数的两个线性模型在误差方差未知条件下的参数估计问题, 得到了其参数的最小二乘估计序列及其渐近解, 并利用多元多项式方程组解的个数定理和不动点定理, 证明了此估计序列是依概率1收敛的.     

零一膨胀泊松回归模型的EM算法改进

首先提出了处理0和1数据偏多的零一膨胀泊松回归模型,其次对模型建立了参数的极大似然估计.针对传统的EM算法只能使得估计收敛到局部极大值这个缺陷,提出了一种随机EM算法对传统的EM算法进行修正,使得模型能够找到全局最优解.最后通过模拟研究说明该方法的有效性.     

基于左截断右删失数据的Lomax分布形状参数估计

Lomax分布是数理统计中一种重要分布,基于EM算法及极大似然法研究了左截断右删失数据下Lomax分布的参数估计,推导出参数的迭代式,并应用随机模拟对参数迭代式进行模拟检验,结果表明,迭代式能够快速收敛,估计值精确度较高.     

复合泊松分布参数估计的EM算法

复合泊松分布是非寿险精算中的重要理赔模型,利用正规的统计方法(如极大似然估计)估计模型的参数往往比较困难,而矩估计的精度在大样本下才能有令人满意的结果.本文应用EM算法研究了复合泊松分布的参数估计问题,给出了参数满足的方程,并给出了参数的矩估结果,对两种参数估计结果,通过计算机模拟,表明EM算法对参数的估计更为有效,且EM算法在小样本下就能得到较好的估计效果.     

Weibull分布在完全数据条件下的参数估计

在完全数据条件下对Weibull分布,分别使用Newton-Raphson算法、CM算法进行完全数据Weibull分布参数的极大似然估计计算,并且在得到相应的迭代公式后,进行随机模拟,从模拟结果来分析这两种算法在处理Weibull分布参数的极大似然估计的优良性.     

基于非对称拉普拉斯分布的混合分位数回归参数估计

利用非对称拉普拉斯分布提出一种新的混合分位数回归模型. 传统模型仅考虑位置参数, 而所提出模型同时考虑了位置参数和尺度参数, 并利用期望最大化(expectation maximization, EM)算法对模型参数进行估计. 数值分析结果表明, 参数估计的精度在各个 分位 数上均较为理想, 并且估计精度随着样本量的增加而提高. 最后运用所提出模 型及其算法对城市房价数据进行分析.     

指数几何混合模型参数的嵌套EM算法

本文介绍了由指数分布和一个截尾分布混合得到的指数几何混合分布模型,简记为EG模型。它的概率密度函数为f（x;β,p）=β（1-p）e-2βx（2-pe-βx）（1-pe-βx）-2,通过直接积分得到该分布的矩为E（xr;β,p）=p-1（1-p）r!β-r[p-1L（p,r）-1]。首先说明了用EM算法在M步中不能求得参数β和p的极大似然估计的显式解,需要用数值解法,然后通过嵌套一个EM算法在另一个EM算法中,外层EM算法是基于混合模型的缺失数据讨论,内层EM算法是针对截尾观测数据的,得到了参数的极大似然估计量。     

区间删失数据情形下GE分布参数的最大似然估计(英文)

讨论了样本数据为区间型数据时参数的最大似然估计问题.当数据为区间删失情形时,参数最大似然估计的精确表达式不存在,甚至近似解都很难得到.由于区间型数据是一种不完全数据,所以利用EM算法来求参数的近似最大似然估计.为了演示,提供了一个真实寿命数据分析的实例.     

混合指数分布动态样本比例中参数估计

混合指数分布是寿命数据分析中的一个非常重要的统计模型.产品老化导致混合指数分布样本的比例是动态的.在寿命试验中,应用EM算法研究了混合指数分布以动态样本比例的形式在完全数据与截尾数据场合的参数估计问题.所得结论用Monte Carlo进行模拟,比较符合试验实际.     

基于EM算法的高斯混合密度参数估计

描述最大似然参数估计问题,介绍如何用EM算法求解最大似然参数估计.首先给出EM算法的抽象形式,然后研究EM参数估计方法的一个应用:求高斯混合密度的参数.推导出高斯混合密度参数的迭代公式.