估计随机变量母体均值的加权数据融合方法

提出了一种把多源信息综合处理的数据融合方法。该方法依据极大似然原理将来自不同母体(均值相同、方差不同)的随机样本有效融合，得到新的母体均值估计量。该估计量具有无偏性，并且比其它传统估计量更加有效。理论和实践证明，用该方法处理数据可提高检测精度。     

基于动态层次聚类分析的多传感器一致性融合算法

为了提高集中式多传感器一致性数据融合的精度,在数据融合过程中,必须考虑从各传感器获得的数据可信度.为了克服现有一致性数据融合算法中定义的距离矩阵和关系矩阵存在的不对称性和主观性等缺点,本文定义了概率距离矩阵和基于统计置信度的关系矩阵,然后讨论了多正态分布共同均值的极大似然估计的统计性质和递推特性,并根据估计量的方差统计性质提出了一种基于动态层次聚类的多传感器一致性数据融合处理的方法,数据实验的计算结果表明,该算法优于现有的多传感器一致性数据融合方法.     

基于删失数据估计医疗费用的新方法(英文)

为了基于删失数据更好的估计医疗费用均值,提出了一种与以往不同的估计方法,并且在Markov假设下根据这种方法给出了一种无偏的分层估计量.采用了几种不同的方法进行数据模拟,来比较这一估计量和其他几种估计量的表现,进而说明了这一估计量的优越性和稳健性.并且还说明了在不同情况下应选择何种估计量以达到最优效果.最后,讨论了这一估计量可能的改进措施以及这一方法在回归模型中的应用.     

厚尾均值渐变变点的最小二乘估计

利用最小二乘估计方法,给出随机误差为ARCH过程的均值渐变变点估计量,并证明了该估计量的相合性及收敛速度.通过Monte Carlo模拟说明估计的有效性.     

一种改进的数据流聚类方法

针对传统K-均值方法不能有效处理动态变化的数据聚类的问题,本文提出了一种改进的数据流聚类技术——流式K-均值聚类(Streaming K-means Clustering,SKC).该方法首先对数据流中已经产生的初始数据块进行K-均值聚类,当数据流的新数据块到来时,通过衡量已经得到的聚类结果与新进入样本块的距离,对样本进行初步简单归类,并计算聚类结果的性能,若聚类结果性能在可接受范围内,则该数据块聚类结束,否则采用K-均值方法对新类进行深层次聚类.采用SKC的流式数据聚类方法处理数据流的聚类问题,对于整个数据流中的多数数据块都进行简单归类,只有少数数据块进行K-均值聚类,有效提高了数据流聚类的效率.实验结果表明,流式K-均值聚类方法能够有效处理数据流的聚类问题.     

基于相依函数型数据条件均值函数估计的渐近性质

文章利用熵的方法研究了基于函数型数据的条件均值函数估计的一致收敛速度,在一定条件下获得了基于相依函数型数据的条件均值函数估计量的几乎完全一致收敛速度,推广了I.I.d场合下或某些相依情形下的的逐点收敛速度.     

估计混凝土强度标准差的一种新方法

给出了一种混凝土验收批强度标准差的无偏估计方法,该方法能充分利用以前和当前的全部概率信息得到高置信度的强度标准差估计量,与传统方法比较更接近于母体真值.     

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.     

基于分层排序集抽样方法的改进比率估计

基于分层排序集样本提出了总体均值的改进比率估计方法,讨论了改进比率估计量的均方误差和偏差估计式,证明了改进的比率估计比原来的联合比率估计更加有效.最后,利用一组幼儿黄疸病胆红素含量的数据进行实例分析,结果表明,基于分层排序集样本的改进比率估计可以有效提高估计精度.     

边排序贝叶斯网络结构学习算法应用于基因调控网络构建

提出一种基于多数据源融合思想的贝叶斯网络结构学习算法.该方法在现有贝叶斯网络结构学习算法的基础上,进行网络结构再学习,能有效处理不同数据源无法简单合并的问题.实验结果表明:在现有基因芯片数据节点数过多但数据量过少的前提下,该算法能有效提高建网精度;基于酿酒酵母细胞周期对不同实验条件下的表达数据进行融合,可以将正确率提高约12%.