一类新的损失函数下负二项分布模型的Bayes可靠性分析

在一类新的加权平方损失函数下,给出了负二项分布可靠度的Bayes和多层Bayes估计,并利用E Bayes方法给出了负二项分布可靠度的E Bayes估计.针对得到的3种估计,给出了数值模拟,结果表明:E Bayes估计比多层Bayes估计优良.     

Linex损失下二项分布参数的Bayes估计

在Linex损失函数下讨论了二项分布参数的Bayes估计,当先验分布取Beta分布和幂分布时分别给出了参数的Bayes估计,多层Bayes估计,E-Bayes估计的精确形式,并证明了Bayes估计的可容许性.     

对称损失下二项分布参数的Bayes估计问题

在对称损失函数下,利用共轭先验分布讨论二项分布参数P的Bayes估计、多层Bayes估计及E-Bayes估计,并证明该参数的Bayes估计是可容许的.最后给出关于Bayes估计、多层Bayes估计及E-Bayes估计的数值模拟,并比较了三者之间的优良性.     

指数分布参数的Bayes及多层Bayes估计

对寿命服从指数分布的产品,先验分布为Gamma分布时,给出了参数的Bayes估计和多层Bayes估计。     

指数分布参数的Bayes及多层Bayes估计

对寿命服从指数分布的产品,以先验分布为Gamma分布时,给出了参数的Bayes估计和多层Bayes估计.     

一种对称损失函数下几何分布参数的Bayes估计

研究在一种对称损失函数下,几何分布参数的Bayes估计、多层Bayes估计,并讨论Bayes估计的可容许性及置信下限.     

指数分布参数的Bayes及多层Bayes估计

对寿命服从指数分布的产品,以先验分布为Gamma分布时,给出了参数的Bayes估计和多层Bayes估计。     

熵损失下的Pasreto分布参数的Bayes估计

讨论了在熵损失下Pareto分布的参数的Bayes估计及多层Bayes估计,给出了参数的置信下限和容许性估计的一般形式,最后证明了极大似然估计是不容许的.     

Γ部件冷贮备系统的可靠性分析

文中运用极大似然法、Bayes方法、经验Bayes方法,给出了Γ部件冷贮备系统失效率、可靠度函数与平均寿命的点估计,并利用Monte-Carlo方法,对3种估计结果进行了模拟比较,结果表明经验Bayes估计整体上优于Bayes估计和极大似然估计。     

加权平衡损失函数下逆伽马分布的Bayes估计

在逆伽马分布尺度参数的先验分布为其共轭先验分布伽马分布Γ(a,b)时,给出了其在加权平衡损失函数下的Bayes估计、E-Bayes估计和多层Bayes估计.最后通过数值模拟,说明了此3种估计具有较高的稳健性和精确性,其中多层Bayes估计的稳健性最好,E-Bayes估计的精确性最好.     

逆高斯分布的参数经验Bayes估计

本文在当参数μ已知时,在平方损失下给出了参数的Bayes估计,进一步利用核密度估计方法构造了参数θ的经验Bayes估计函数,并在一定的条件下,证明了所提出的经验Bayes估计函数的收敛速度.     

峰度与偏度系数的近似经验贝叶斯估计

建立了单样本数据的贝叶斯模型,给出了偏度系数和峰度系数的线性贝叶斯估计及近似信度估计.进而,将模型推广到多样本数据模型下,并讨论了近似信度估计的统计性质,比较了贝叶斯估计、线性贝叶斯估计及近似信度估计的均方误差.最后,给出了超参数的估计,得到了近似信度估计的经验贝叶斯估计,使该估计可直接运用于实际问题.     

零膨胀泊松模型中风险参数的贝叶斯估计

该文建立了贝叶斯模型,讨论了零膨胀泊松分布中参数的估计问题.在平方损失函数、Linex损失函数和Stein损失函数下得到了风险参数的贝叶斯估计.进而,引进了信度理论,在平方损失函数下得到了风险参数的信度估计,证明了估计的相合性.最后,通过数值模拟的方法对估计的收敛性进行了比较.     

Q对称熵损失下几何分布的参数估计

研究几何分布的先验分布为幂分布时,在对称熵损失函数下给出了其可靠度的多层Bayes估计,并根据实际数据说明了该估计是稳健的。     

一种基于强属性限定的加权贝叶斯分类器

朴素贝叶斯分类器是一种简单而高效的分类器,但它的条件独立性假设使其无法将属性间的依赖关系表达出来,影响了它分类的正确率,加权朴素贝叶斯是对它的一种扩展.基于强属性限定的贝叶斯分类器SANBC,通过在强弱属性之间添加增强弧以弱化朴素贝叶斯的独立性假设,扩展了朴素贝叶斯分类器的结构;结合加权朴素贝叶斯和基于强属性限定的贝叶斯分类器SANBC的优点,提出一种基于强属性限定的加权贝叶斯分类器WSANBC;实验结果表明,WSANBC分类器具有较高的分类正确率.     

NC项比率未知情形下的Dorfman群检验误差效果分析

本文对Dorfman群检验问题建立一个Bayes模型，取NC项比率ω的选验分布为Beta分布。利用共轭分布法，我们得到的反验分布还是Beta分布，然后由Bayes估计得出ω由此通过群检验本身过程就可得出ω。而且可以随着检验次数的增加而逐步调整。节省了检验次数，同时又没损失信息。本文还给出了一种利用专家意见确定Beta分布参数的方法讨论了最佳分组的步骤与方法。     

刻度平方误差损失下二项分布无失效数据的可靠性分析

研究在刻度平方误差损失函数下,二项分布无失效数据的可靠度的Bayes估计及其可容许性,并给出了可靠度的多层Bayes估计的表达式.     

刻度平方误差损失下Pareto分布参数的Bayes估计

讨论了给定容量n的一个Pareto样本X1,X2,…,Xn,在刻度平方误差损失函数下Pareto分布参数的Bayes估计,证明了这一估计是可容许的,并给出了Bayes的置信下限.     

混合高斯分布的变分贝叶斯学习参数估计

针对常用于非高斯信号或系统建模的包含隐变量的混合高斯分布模型,提出利用一种变分贝叶斯学习算法进行模型的参数估计.该方法采用一个形式较为简单的自由分布,通过不断最大化边缘似然函数的下界,迭代地更新变分参数,直至近似分布足够逼近参数真实的后验分布,从而实现混合高斯分布的参数估计.文中推导了该方法对混合高斯模型参数学习过程.实验表明,变分贝叶斯学习可以有效实现高斯混合模型的多参数估计,相比采样方法更有工程应用前景.     

线性指数模型参数的经验贝叶斯估计

根据经验贝叶斯原理,讨论了在平方损失函数下,线性指数模型参数的非参数经验贝叶斯(empirical贝叶斯,EB)估计问题.首先利用密度函数的核估计方法构造边际分布密度函数以及该分布密度函数的一阶导数;然后结合线性指数模型未知参数在相同损失函数之下的贝叶斯估计得到了未知参数的非参数经验贝叶斯估计.最后由C-R不等式以及Jensen不等式证明了所得到的经验贝叶斯估计的渐进最优性质,并获得了其收敛速度(n-(2r-1)/(2r 1)).