线性混合效应模型参数估计问题的研究

把随机效应的协方差推广为正定阵进行研究．首先给出混合效应模型中固定效应的最小二乘估计，然后用方差分析估计方法给出方差分量的估计．     

异方差模型中协方差阵的估计研究

在异方差模型中,尽管回归系数的普通最小二乘(OLS)估计仍能保持无偏性,但其对应的协方差阵估计不再一致。解决异方差问题,对随机误差项协方差阵的估计显得尤为重要。基于异方差形式未知的情况下,非参数估计的良好效果,应用不同的非参数方法对误差项的协方差阵给出估计,进而通过估计加权最小二乘法得到回归系数的估计,并在已有的加权异方差一致协方差阵估计的基础上进行了拓展。模拟实验和实例分析表明,不同的非参数方法在回归系数的估计和模型的检验方面效果都有很大的差异。     

基于等效平差因子的方差-协方差分量估计

充分挖掘观测量的信息,利用矩阵变换将随机模型的方差-协方差分量估计转化为函数模型的均值参数的估计,借助最小二乘理论得到方差-协方差的最小二乘估计.进一步通过矩阵的正交变换引入等效平差因子,然后通过二次型定理提出了基于等效平差因子的方差-协方差分量估计的新方法.算例表明,基于等效平差因子的方差分量估计的效果要优于最小二乘方差分量估计.     

广义协方差改进估计的优良性

对半相依回归线性系统,我们周期地使用迭加信息的方法,得出了回归系数广义协方差改进估计。这个估计系列的方差是单调不增的。它改进了回归系数的协方差改进估计。特别当m=2时,我们不对误差向量的分布及设计阵之间的关系作出任何假设,而得到广义协方差改进估计的极限便是BLUE的结果;当协方差阵未知时,得到了两步估计的表达式。     

协方差分量矩阵的最小方差无偏估计和最小模不变无偏估计

本文将方差分量的估计问题推广到多元情形。讨论多元线性模型中协方差分量矩阵的估计问题。     

一种新的寿命分布

本文介绍了一种带有两个参数的且危险率函数单调递增的分布,讨论了这种分布的各种性质,并给出了参数的极大似然估计.利用EM算法得到了参数所满足的迭代方程组以及极大似然估计的渐近方差-协方差阵.     

一种模式空间中的快速DOA估计算法

在均匀圆阵模式空间中,提出一种基于ESPRIT的快速波达方向估计算法,该算法将均匀圆阵转化成为模式空间的虚拟阵列后,通过利用虚拟阵列的协方差矩阵的近似Toeplitz特性,可以直接得到噪声的方差分量σ2n,因此避免了ESPRIT算法中的第一次特征分解,即只用一次特征分解完成参数估计.分析表明,该算法运算量小,而且能有效估计参数.     

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。     

LAMBDA方法中最佳双差模糊度选择问题研究

从双差模糊度的定义出发 ,分析了双差模糊度组合的几种常用方式 ;接着给出了判断模糊度方差 协方差阵结构好坏的标准 ;最后用一个实例具体比较了不同双差模糊度组合时模糊度方差 协方差阵的相关性及其对模糊度搜索效率的影响 ,并给出了最佳组合     

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.     

多元统计分析在误差理论中的应用—关于广义传播律

本文给出了多维随机向量的方差、协方差的矩阵形式,进一步讨论其方差运算的更一般规则,即不论各随机变量是否独立均能普遍适用的公式——协方差传播律,同时推出权逆阵传播律,并举出其应用。     

协方差的最优二次型无偏估计

在二维总体与正态分布具有相同的前四阶矩的条件下,利用矩阵迹的一个不等式,讨论了协方差的二次型估计.证明了一个常用的估计量为协方差的最小方差二次型无偏估计.     

基于原始自助法估计异方差线性模型

利用原始自助法(wild bootstrap)估计异方差线性模型,建立了异方差线性模型中参数部分的最小二乘估计的渐近分布,给出了非齐次方差的协差阵的一个相合估计.     

对GPS模糊度解相关方法的一种改进

在双差载波相位模型中,整数-实数混合平差是无法避免的.通常的参数估计方法如加权最小二乘,只能给出浮点解,包括模糊度向量也只是实数解.为了加速整周模糊度的搜索过程,解相关的方法得到了应用,并被证明是行之有效的.在此,主要讨论了LLL方法.为了对该解相关方法的分析尽可能地具有现实和统计意义,利用随机模拟方法得到了没有任何先验信息的对称正定矩陈,作为模糊度向量的方差-协方差矩阵.针对现有方法中的不足,提出了改进后的LLL方法,并利用条件数作为评判解相关程度的准则,证明其是切实可行的.     

非参数混合效应模型的估计

针对非参数混合效应模型提出估计方法,通过B样条的方法估计非参数函数,使用惩罚(非加权)最小二乘方法估计随机效应,然后通过构造正态似然函数得到方差的估计,并且证明了方差分量的相合性和函数部分的渐近正态性;最后给出数字模拟来展示所提出方法的估计效果,结果表明:该方法给出的估计效果良好,且在数值上是稳定的。     

时空信息统计学的一些基本理论和方法

讨论了时空信息统计学(地质统计学)的若干基本理论和方法：1)若干基本概念，包括时空域的随机变量和随机函数，仅考虑空间域或时间域的不足，空间域与时间域之间的差异，二阶平稳假设及内蕴假设；2)时空域信息的平稳线性最优估计，主要讨论了变异函数与协方差函数及平稳线性最优估计方法；3)时空域信息的线性非平稳最优估计，提出了漂移和涨落的概念，关于漂移的形式及非平稳线件景优估计方法。     

高维样本协方差矩阵极限谱密度的显式表达式

用Stieltjes变换给出一般高维样本协方差矩阵的极限密度函数的显示表达式, 包括: 样本元素独立且均值为0, 方差为常数的样本协方差矩阵; 一个样本协方差矩阵与单位阵的和; 样本元素方差不等但只取两值的样本协方差矩阵; 两个不同的样本协方差矩阵之和.     

未知噪声协方差的自适应容积卡尔曼滤波

针对噪声协方差不确定情况下容积卡尔曼滤波解决非线性目标跟踪中存在的问题,提出了一种优化的自适应容积卡尔曼滤波.首先根据新息序列和残差序列导出的线性矩阵方程得到噪声的协方差,基于新息序列与残差序列的相关性,推导出一种新的过程噪声协方差Q估计方法;然后采用残差序列对测量噪声协方差进行估计,利用加权因子将当前的噪声协方差矩阵与估计值组合成为新的测量噪声协方差阵R,有效避免了不准确状态估计的局限性.仿真结果表明:在时变噪声协方差的条件下,所提出的自适应容积卡尔曼算法的跟踪精度明显提高.