二阶比估计与PPS抽样的比较

对二阶比估计与二阶PPS抽样方法进行了比较，给出了比估计优于PPS抽样及PPS抽样优于比估计的条件．     

中位数排序集抽样下总体均值的比率估计方法

分析了中位数排序集抽样下总体均值的比率估计方法,证明了该估计量具有渐进无偏性,并讨论了两种抽样方法下估计量的相对效率.算例表明,在总体分布为正态分布的情况下,基于中位数排序集样本的比率估计比随机抽样下的比率估计效率高.     

不等概率抽样估计的原理与应用

不等概率抽样估计是一种十分有效的抽样推断方法．它在以样本估计总体时是应用一个与所要调查的目标变量相关的辅助变量作为样本单位抽选的概率，能使得对总体指标数值影响大的单位赋予大的抽中概率，同时在构造样本指标时，可利用辅助变量值对目标变量值进行调整，增大了样本对总体的代表性，由此抽取的样本和依据样本计算的样本指标就更接近于总体指标．     

一个域估计问题的讨论

介绍二阶ｎ＝２的πＰＳ抽样方案下，用传统方法对域目标量进行估计时存在的问题。提出一个域目标量的有偏估计公式，讨论其可行性。以模拟总体作域目标量估计，并与简单随机抽样目标量估计进行了比较。     

总体均值的分别比率估计方法改进及应用

辅助信息可以在抽样设计和估计量设计两个阶段同时使用,在分层抽样下采用排序集样本代替随机样本,以辅助变量的多个指标线性组合为辅助信息,改进了总体均值的分别比率估计方法,计算了估计量的近似偏差和均方误差,比较了两种不同抽样方法下比率估计的精度.结果表明,改进的分别比率估计均方误差较小.最后借助随机模拟和算例分析进一步验证了结论的可靠性.     

人口抽样调查中用普查数据的比估计及其均方误差估计

本文主要讨论了分层三阶简单随机抽样下，在人口变动情况抽样调查中利用普查数据构成人口出生率，年出生人口，年中人口的比估计及其均方误差估计问题，也给出了分层三阶等距抽样下比估计的均方误差的两种估计公式。得出的结论也适用于一般的多阶抽样的比估计的情形。     

基于广义排序集样本的分位数估计

为提高总体分位数的估计效率,提出基于广义排序集抽样的非参数加权估计量.根据估计量的强相合性和渐近正态性,给出了在任意给定的抽样方案下使渐近方差达到最小的权数.再利用最优权数的适应任意分布性,证明出使估计效率达到最大的抽样方案是从所有排序小组中挑选具有同一次序的观测值.通过对渐近相对效率的数值计算和一组真实数据的实际应用,表明最优加权估计功效高于无权估计,最优排序集抽样效率高于标准排序集抽样和简单随机抽样.      

基于中位数排序集抽样的区间估计

利用中位数排序集样本的次序统计量来构造未知总体中位数的区间估计,证明了新估计具有适应任意分布性,并系统验证了新区间估计的精度一致高于排序集抽样下总体中位数的区间估计。最后将针叶树的一组真实数据进行了实际应用。     

贝叶斯估计和经典估计的对比研究

分析和探讨了经典估计和贝叶斯估计的异同，并结合一个实例对两种估计进行比较，从而得到两种估计思想统一于贝叶斯定理，并在特定场合下相互等价的结论。     

Bootstrap方法在区间估计中的应用

运用bootstrap方法对总体均值区间进行估计。在小样本下用常规方法和bootstrap 4种方法对总体均值进行区间估计,在R软件中实现。结果表明,用bootstrap方法估计出的区间宽度明显要比常规方法估计出的窄。bootstrap方法可以提高小样本下总体均值区间估计的精度。     

Panel数据模型中两步估计的改进

研究只含一个随机效应的Panel数据模型中未知参数的估计问题.在均方误差矩阵意义下,给出了两步估计优于Within估计的一个简单的充分条件.在此基础上改进了两步估计,并给出了改进后估计的协方差矩阵.     

排序集抽样下定时截尾指数寿命数据的参数估计

针对定时截尾指数寿命数据的参数估计问题,采用排序集抽样方法,研究了指数分布参数的极大似然估计.针对排序集抽样下似然方程求不出解的问题,似然方程的部分项替换为期望,并给出修正极大似然估计.估计效率的比较结果说明:基于排序集抽样方法的修正估计量优于基于简单随机抽样方法的极大似然估计量.     

多元简单随机抽样及分层抽样回归估计法

文章系统地讨论了多元简单随机抽样及分层抽样的回归估计法，说明与无辅助信息抽样相比，回归估计法是一种更有效的方法，并得出了总体均值的一些统计推断     

基于块稀疏的低复杂度宽带MIMO-OFDM稀疏信道估计方案

CoSaMP压缩采样匹配追踪算法是一种有效且可靠的稀疏信号重构算法。针对大多数宽带MIMO-OFDM稀疏信道估计方案中常被忽略的信号内部特殊结构问题,采用MIMO-OFDM系统模型,分析信号块稀疏结构特性,研究了CoSaMP算法的改进问题。仿真结果表明,与其他信道估计方案相比,所提方案在未知信号稀疏度值的情况下依旧获得了接近理想状态下的系统和速率、归一化均方误差和信号重构效率,有效降低了计算复杂度。可见,所提方案具有很好的信道估计性能。     

Lipshitz条件下密度估计函数的收敛性

为了研究密度估计函数及其收敛性问题,构造了与f(x)相对应的密度函数估计fn(x),在连续的条件下证明了密度函数估计fn(x)是f(x)的渐近无偏估计、均方收敛估计和一致估计;在Lipshitz条件下讨论了当参数取不同值时fn(x)的均方收敛速度。该结果对密度估计工作有一定的推进。     

Accurate channel estimation for MIMO-OFDM system by exploiting cyclic prefix

Multiple-input-multiple-output orthogonal frequency division multiplexing （MIMO-OFDM） systems promise to provide significant increase in system capacity for future wireless communication systems. The channel state information is required to achieve the high capacity of an MIMO-OFDM system. In this pa-per, an improved channel estimation scheme is proposed for MIMO-OFDM system by making full use of the training sequence and CP （cyclic prefix）. The method improves the performance of the channel esti-mator because of using the redundant information in CP. Also, the theoretical mean square error （MSE） bound of the improved estimator is derived. The effectivity of the algorithm is demonstrated by the simula-tion results of MIMO-OFDM systems with two transmit and two receive antennas. The MSE gain is en-hanced by about 1dB.     

多目标云分布估计算法

为增强多目标分布估计算法(MEDA)的局部搜索能力,将云模型引入到多目标分布估计算法中,提出一种多目标云分布估计算法(CMEDA).该算法一方面利用分布估计的采样操作对进化种群进行搜索,另一方面利用云滴具有随机性、稳定倾向性等特点,进行外部档案搜索,实现群体间信息交换,从而提高多目标分布估计算法的全局搜索能力.数值实验选取6个常用测试函数,并与NSGA-Ⅱ和MEDA算法进行比较,结果表明,CMEDA算法在收敛性和多样性两方面都有较好的性能.     

基于深度学习的MIMO系统信道估计算法

精确的信道估计对于保证无线通信系统性能至关重要。针对多输入多输出(multiple input multiple output, MIMO)系统传统信道估计算法需已知信道统计信息以及性能与复杂度折中等问题,提出一种基于深度学习的多网络级联MIMO系统信道估计方案。基于卷积神经网络构建信道信息重建网络,初步重构出信道信息,进而基于深度残差网络构建信道估计网络进行级联得出估计结果,并利用多个损失函数对网络进行优化。仿真结果表明,在牺牲一定时间复杂度的情况下,所提方案的均方误差随信噪比增加逐渐优于线性最小均方误差(linear minimum mean squared error,LMMSE)估计算法,且不受信道统计信息的约束。