非参数回归模型的贝叶斯局部线性估计

对于非参数回归模型=m(x)+ε,在局部线性估计中窗宽h的先验分布为Gamma分布的条件下,用未知光滑函数m(x)的后验均值构造了它的贝叶斯估计,并给出了参数的后验分布和抽样方法.模拟算例证明了贝叶斯局部线性估计方法的可行性.     

删失数据威布尔分布参数的贝叶斯统计分析

主要讨论了当寿命分布是威布尔分布时删失数据的贝叶斯统计分析方法．在考虑尺度参数先验取为逆伽玛分布而形状参数先验分别取为离散分布和均匀分布条件下给出了多种删失数据场合参数的贝叶斯估计;同时为使得计算更为简便,给出了计算贝叶斯估计的Gibbs抽样方法．模拟结果表明给出的方法是有效可行的．     

EV回归的半参数部分线性模型的Bayes估计

考察部分线性模型y=X^τ_β+g(t)+ε,ε~N(0,σ²),其中回归变量X可以精确测量,而t具有测量误差. 用光滑样条估计非参数函数g(t), 结合光滑样条的Bayes解释及Bayes的线性回归, 将模型中的未知参数赋以一定的先验, 运用Gibbs抽样方法从后验分布中抽样, 用后验样本的均值来估计未知参数. MCMC模拟的另外一个好处是容易从后验样本中构造后验样本区间估计. 最后,提供了一个模拟例子来说明Bayes方法的估计效果.     

误差修正机制转换模型的贝叶斯估计

用贝叶斯估计法来估计误差修正机制转换模型的参数。通过先验分布的设定和贝叶斯定理,求出该模型参数的后验分布,接着使用基于Gibbs抽样的贝叶斯估计技术进行参数估计,最后对贝叶斯估计方法进行统计模拟,模拟结果表明:该方法可以稳健的估计该模型的参数。     

基于参数的贝叶斯先验选择方法

在一个参数的可选先验分布类中选择一个合理先验的问题，类似于从参数空间中估计一个恰当参数的问题．基于这一观点，利用贝叶斯分析的后验分布理论，先求出参数的后验分布，再根据后验分布中各个先验的相对似然选取似然最大的先验为合理先验，从而建立了一个基于参数的后验分布的先验选择方法，它是ML-Ⅱ先验的一个拓广．     

泊松分布参数估计的比较研究

研究了泊松分布点估计及区间估计,并证明了样本均值是参数λ的优良估计量。利用贝叶斯统计分析方法,在取先验分布为共轭分布的情形下,给出了最大后验密度可信区间,即最短可信区间,并通过实例与经典区间估计进行了比较。     

参数在线学习的动态贝叶斯网络态势估计算法

为快速实现对战场态势的精确估计,提出了参数在线学习的动态贝叶斯网络方法:在基于专家知识确定的动态贝叶斯网络结构模型基础上,用前向递归方法对网络模型的参数进行估计.针对战场态势模型的观测值具有小样本的特性,以狄利克雷分布作为样本的先验分布,采用矩估计法对先验分布的超参数进行估计,以该先验分布的等价样本与观测值实现对网络参数的学习和对战场态势的估计.仿真实验结果表明,应用该方法实现态势估计具有较高的实时性和准确性.     

Pareto分布形状参数的简单贝叶斯估计

针对Pareto分布,在尺度参数已知、先验信息为某一固定时刻分布函数及其标准差的估计值的情况下,参考Kaminskiy等提出的简单贝叶斯估计过程,借助缺一交叉验证法以及核密度估计法,研究了形状参数的简单贝叶斯估计.基于上述先验信息,在估计过程中构造了Pareto分布形状参数的先验与后验概率密度、先验与后验点估计,并给出了在给定任意时刻分布函数及其标准差的先验与后验估计.最后通过一个数值例子说明了这种估计方法,并对灵敏度进行了定量分析.     

Gamma部件参数λ和k的Bayes估计

讨论部件寿命服从Gamma分布,并在形状参数k和尺度参数λ都未知的情况下,分别给出参数k和λ在平方损失函数下的Bayes估计.得到参数k的先验分布为离散分布,λ的先验分布分别为指数Beta和Gamma分布下的Bayes估计公式.     

水文频率分析中的一种贝叶斯方法

在贝叶斯框架下将年洪峰分布参数θ＝ＣＳ／ＣＶ选作为随机变量，在对θ的地区分布进行一定概化的基础上给出了自区域信息估计θ先验分布的一种主观贝叶斯方法。同时对Ｐ－Ⅲ型总体下的贝叶斯频率计算问题进行了统计试验研究。结果表明，提高先验分布的估计精度会降低贝叶斯方法估计Ｘｐ的抽样误差，当样本容量较小时效果更明显。这对水文频率分析中使用贝叶斯方法具有一定的参考价值。     

非参数Bayes样条回归

对于非参数回归模型y= f(x)+ε,其中f (x)为光滑的连续函数.用样条函数来逼近f (x),不具体选择结点的个数,考虑到结点个数的不确定性,给定结点个数一个均匀的无信息先验,用Bayes模型平均的方法来估计f (x).得到了f (x)的Bayes估计和Bayes后验区间估计.     

Denoising of hyperspectral imagery by cubic smoothing spline in the wavelet domain

The acquired hyperspectral images （HSIs） are inherently attected by noise wlm Dano-varylng level, which cannot be removed easily by current approaches. In this study, a new denoising method is proposed for removing such kind of noise by smoothing spectral signals in the transformed multi- scale domain. Specifically, the proposed method includes three procedures： 1 ） applying a discrete wavelet transform （DWT） to each band; 2） performing cubic spline smoothing on each noisy coeffi- cient vector along the spectral axis; 3 ） reconstructing each band by an inverse DWT. In order to adapt to the band-varying noise statistics of HSIs, the noise covariance is estimated to control the smoothing degree at different spectra｜ positions. Generalized cross validation （GCV） is employed to choose the smoothing parameter during the optimization. The experimental results on simulated and real HSIs demonstrate that the proposed method can be well adapted to band-varying noise statistics of noisy HSIs and also can well preserve the spectral and spatial features.     

散乱数据带自然边界条件三元多项式光顺样条

 考虑对4维空间散乱数据的一种带自然边界条件的样条光顺。为使得给定的目标泛函达到极小,用Hilbert空间样条函数方法,得出其解可表为一个分片三元多项式,其表示形式简单,且系数可由线性代数方程组确定。最后给出一些数值例子进行了验证。     

桩基内力测试数据的光顺样条处理算法

针对多项式及约束样条法拟合结果不尽理想的问题,提出了光顺样条算法,应用于桩基内力测试数据处理.以某桩基的滑动测微计的检测应变数据实例,计算了该工程试桩的摩阻力分布规律和极限侧摩阻力.该算法在很大程度上过滤了测量过程中的误差,减少了人为因素的影响,增加了摩阻力计算的可信度.     

改进的同态滤波方法校正磁共振图像中偏差场

为提高磁共振图像的均匀性并减小不同生理组织的灰度交叠，针对磁共振图像中存在的光滑、缓慢变化的乘性偏差场，提出了改进的同态滤波校正方法。该方法将同态滤波和B样条平滑相结合，首先采用高斯同态滤波器对污染图像滤波，得到初步估计的偏差场；然后从中选出感兴趣区域用B样条拟合出平滑的偏差场。该方法能快速、有效地校正偏差场，同时去除了滤波后产生的边缘伪迹。在有偏差场的人头模型图像和计算机仿真的MRI图像的校正中，均取得了满意的结果。     

基于EM算法的光滑参数选择

在非参数建模中,可以通过最小化均方误差（mean squared error）来优化光滑参数λ,即需要刻画出均方误差随λ的变化趋势,进而使均方误差最小的λ值即为最优的估计值,但在实际应用中并不知道回归函数的显示表达式,因此方法具有一定的局限性;通过样条回归模型与混合效应模型之间的关系,结合极大似然理论与EM算法去优化光滑参数λ.     

鞋楦数据光顺与建模

为提高鞋楦的加工质量 ,探讨了鞋楦曲面检测数据预处理技术之一的离散数据极坐标光顺法 .在此基础上 ,针对鞋楦曲面数据空间分布的局部不均匀性 ,阐述使用均匀 B样条进行鞋楦数字化曲线建模的两种途径 .它不但提高了建模的计算效率 ,而且能保证了鞋楦曲面锐边的建模质量 .     

矩形域上散乱数据样条光顺法

本文提出了一种矩形域上散乱数据样条光顺法,此方法着重从计算观点出发,构造了极其稳定的快速算法,并给出了一些数值例子,数值结果表明此方法能精确地再现原有函数。