R—L模型的参数估计及其影响分析

基于EM算法和Laplace逼近,首先给出了R-L模型的参数估计,然后应用完全数据对数似然函数的条件期望以及相应的Q距离函数,对R-L模型数据进行了数据删除影响分析和局部影响分析,并通过实际数据验证了所得诊断统计量的有效性.     

区间删失下广义幂威布尔回归模型的参数估计

为研究区间删失的观测数据,结合广义幂威布尔分布和非线性回归模型提出了广义幂威布尔非线性回归模型,并基于迭代法给出了模型中参数的极大似然估计.最后就不同危险函数、样本量和删失比,通过蒙特卡洛模拟说明了参数估计方法的有效性.     

非线性观测算子的集合卡尔曼滤波的改进

在带有线性观测算子的集合卡尔曼滤波中,对预报误差方差阵比较客观的调整是用与时间相依的因子对其进行膨胀调整,然后用极大似然方法去估计膨胀因子.若观测算子是非线性的,新息的似然函数不易表示,从而膨胀方法不能直接套用.我们通过对非线性观测算子的线性逼近,得到似然函数的近似表达式,进而实现对预报误差方差阵的膨胀调整.数据模拟表明这种方法预报精度更高,更加稳健,效果远好于传统的非线性集合卡尔曼滤波方法.     

基于厚尾分布的异常信号检测方法

为了检测具有厚尾分布信号的异常值,提出将基于EM算法的统计诊断方法应用于正态逆高斯信号的异常信号检测.为了避免计算贝塞尔函数的困难,考虑将正态逆高斯信号看作缺失变量,通过EM算法求解参数的极大似然估计,简化了计算过程;通过Q函数代替对数似然函数,提出了在正态逆高斯分布的信号中基于Q函数的影响度量方法,分别给出了数据删除模型与局部影响分析的诊断统计量,理论和实例计算结果表明:该文所提出的检测方法对于正态逆高斯信号的检测效果明显.     

随机缺失下半参数回归模型的最大经验似然估计

考虑了随机缺失数据下非线性回归模型的估计问题,利用最大经验似然估计的方法给出了回归系数、光滑函数的最大经验似然估计,并在一定条件下证明了所得估计量的渐近正态性和强相合性。     

泊松线性混合效应模型的参数估计

讨论了如何运用EM算法对泊松线性混合效应模型进行参数估计.首先利用马尔柯夫链蒙特卡罗方法对Q函数进行近似,然后利用Newton-Raphson算法求出Q函数的极大值点,从而求得了模型中未知参数的极大似然估计.以一组癫痫病人数据为例,说明该方法是简单可行的.     

基于粒子群最大似然估计的焊缝早期隐性损伤磁记忆精确定位模型

针对由于焊接残余应力、磁场噪声等干扰,造成磁记忆检测在焊缝早期隐性损伤位置定量评价上的困难,提出基于粒子群算法优化的最大似然估计磁记忆梯度定量模型.通过对预制未焊透缺陷的Q235焊接试件进行焊缝疲劳拉伸实验,同步对比扫描电镜和X射线检测结果,发现磁记忆信号梯度对早期隐性损伤位置反应比较敏感,并获得了梯度随着与隐性损伤的距离增大而减小的衰减变化规律,构建隐性损伤位置参数与磁记忆梯度的非线性函数,考虑磁场噪声对隐性损伤定位结果的影响,引入最大似然估计建立目标函数,进一步考虑目标函数的非线性容易陷入局部极值而非全局极值的问题,采用具有全局搜索能力的粒子群算法对目标函数进行优化,建立基于粒子群最大似然估计的焊缝隐性损伤位置磁记忆定量模型,验证结果表明定位误差仅为3.48%,为实际工程中利用磁记忆技术及时发现早期隐性损伤并精确定位提供了新的思路.     

基于数据删除的Poisson-Gamma模型的影响评价

为了研究记数数据对于Poisson-Gamma模型的影响，该文通过引入EM算法，利用基于完全数据似然函数的条件期望进行影响诊断分析，并且进一步基于数据删除模型研究全局影响，得到了数据删除模型中参数估计的一步近似和相应的广义Cook距离和Q-距离。最后，利用所得统计量获得一个实际记数数据中的影响点，结果说明该文提出的方法是有效的。     

左截断右删失数据下尺度参数与协变量相关时广义指数分布的估计及应用

在左截断右删失数据类型下,当时间变量T服从广义指数分布时,针对尺度参数是否受协变量影响建立两种模型,并用极大似然估计法给出参数估计,用Newton-Raphson算法求解参数估计.将两种模型分别应用到变压器寿命数据集和Channing house数据集中,得到了其生存函数和风险函数.     

分组截尾数据下离散型寿命概率分布的估计方法

目前针对离散型未知寿命分布的分组数据研究较少．为避免求解复杂的非线性极大似然方程组,由加入拉格朗日乘子的似然方程组中推导具有递推关系的概率分布计算公式,并通过退化的单区间模型得到P1的极大似然估计,从而完成概率分布律Pi的递推计算．实验说明该方法有效．     

ZIP回归模型的数据删除度量和广义杠杆

为了探测含零较多的计数数据对ZIP回归模型的影响,基于EM算法和完全数据似然函数,笔者利用数据删除方法研究了模型的全局影响,得到了参数估计的一步近似表达式以及相应的广义Cook距离和Q-距离,并研究了在EM框架下的广义杠杆值.最后,通过实际问题说明了所得统计量的有效性.     

基于变分贝叶斯的数据分类算法

随着互联网技术的高速发展,数据库的规模和复杂度不断增长,传统的分类方法已经不能满足复杂数据的分类需求,针对此类问题,提出了一种基于变分贝叶斯的数据分类算法。该算法在传统贝叶斯推断上引入变分近似理论,结合最大期望算法思想,利用统计物理中的平均场理论,并以混合高斯模型为例进行了实验仿真。实验结果证明,随机生成数据在经过382次迭代后,能明显看出由3组高斯模型混合而成,似然函数的下界随迭代次数增加不断上升,在350次迭代后曲线与预想一样趋于平缓,并且在误差允许的范围内得到接近真实数据的均值和逆协方差矩阵,实现其分类处理。在保证高精度的要求下计算速度更快、效率更高、更符合实际工程的应用背景。     

基于变分稀疏贝叶斯学习的频谱检测方法

为了降低对宽带信号进行压缩频谱感知的复杂度,提出了一种基于变分稀疏贝叶斯学习的频谱检测方法.该算法直接利用压缩测量值对授权用户的位置、个数以及功率传播图进行了估计,在先验知识未知的情况下,利用变分稀疏贝叶斯求解稀疏权值.而且用简单函数因子逼近的方法降低了边缘似然函数的计算难度.实验结果表明:该方法在感知精度和速度上有显著提高.     

基于参数优化的RBF神经网络结构设计算法

针对径向基函数(RBF)神经网络的结构优化问题,提出了一种基于参数优化的RBF神经网络优化算法.首先,改进K-means++算法,使得聚类算法更精确,为RBF神经网络的隐含层节点找到一个合适的初始中心;然后,考虑数据分布和缩放因子选择的影响,采用方差度量法计算隐含层神经元基函数的宽度;最后,修正网络参数,提高网络的非线性逼近能力.实验结果表明,本文提出的基于参数优化的RBF神经网络具有良好的逼近效果和泛化能力.     

面向不平衡数据的逻辑回归偏标记学习算法

偏标记学习是近几年提出的新机器学习框架,已有的逻辑回归偏标记算法尚不能解决数据不平衡问题.建立了一种可以解决数据不平衡的逻辑回归模型偏标记学习算法.基本思想是在多元逻辑回归模型中定义新的似然函数以达到处理不平衡数据的目的.算法先根据训练集中各个类别样本所占比例定义了一个新的似然函数,之后通过逼近和求导等数学手段推导得到了能够求解的光滑的逻辑回归偏标记学习模型.在UCI数据集和真实数据集上的仿真实验表明,所提算法在数据存在不平衡问题时提高了样本的平均分类精度.     

基于RBF神经网络的丙烯腈收率软测量方法

针对丙烯腈生产在线收率的测量问题,通过研究RBF网络的特点,利用其学习时间短且具有良好的逼近性能,及其在建立软测量模型中的较大优越性,采用RBF网络建立丙烯腈收率在线测量的软测量模型,并运用大量实测数据进行训练和仿真.结果表明,该方法可以实现对丙烯腈收率的在线测量,为实现直接质量控制奠定了基础.     

基于布谷鸟搜索算法的弹性力学边界条件识别

二维弹性力学Cauchy边界条件反问题的可进入测量部分边界上的全部面力和位移边界条件均已知,难进入测量部分边界上的所有边界条件需要求解。基于边界元方法,采用多项式函数近似未知的面力边界条件,将该反演问题转化为多项式系数识别问题。目标函数定义为已知边界上面力的计算值和给定值之间的最小二乘误差,利用布谷鸟算法最小化目标函数,实现对待求边界上面力边界条件的数值反演。未知位移由反演得到的面力结合其他已知边界条件代入正问题中求解得到。比较了未采用多项式和采用多项式近似的计算结果,并分别讨论了鸟巢数量、多项式阶数及测量误差对数值反演的影响。数值算例验证了布谷鸟算法联合多项式近似可准确有效地求解弹性力学Cauchy边界条件反问题。     

粗集模型的特征函数表示

粗糙集理论是处理不确定知识的一种工具,已在人工智能与知识发现、模式识别与分类、数据挖掘与故障检测等方面得到了较好应用。由于粗糙集在理论和应用两个方面的迅速发展,粗集模型得到拓广。本文研究粗集模型的特征函数表示形式,这种表示形式具有一般性,可以统一各种推广模型。粗集理论的核心是一对非数值型算子,即上下近似算子。粗集理论中的上下近似算子与证据理论中的一对数值算子——似然函数和信任函数有密切关系,为此作者研究了粗糙集与证据理论的关系。     

基于人工神经网络的函数逼近法计量精度的提高

提出一种基于BP神经网络的提高激光干涉计量精度的数据处理方法，并将该方法与常用最小二乘法作二次曲线拟合进行比较。结果表明，用神经网络逼近函数方法，不但解决了光学干涉计量中像素尺寸以及图像采集卡空间量化误差对测量精度的影响，而且解决了目标函数多极值问题，从而干涉条纹可获得高于光敏像素级定位精度。最后将干涉条纹的光强精确地拟合出来，讨论曲线拟合误差，表明该算法具有很好的鲁棒性和自适应能力。