左截断右删失数据下Pareto分布形状参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到了左截断右删失数据下Pareto分布相对简单的似然函数,给出了形状参数变点位置和其他参数的满条件分布.利用MCMC方法对参数的满条件分布进行了抽样,把Gibbs样本的均值作为参数的贝叶斯估计.随机模拟的结果表明各参数贝叶斯估计的精度都较高.     

Ⅱ型双截尾下逆威布尔分布尺度参数的估计

基于Ⅱ型双截尾样本,通过极大似然法得到了尺度参数极大似然估计的迭代公式.选取尺度参数的先验分布为无信息分布和伽玛分布,分别在平方损失和熵损失下,给出尺度参数的贝叶斯估计.利用Monte-Carlo模拟比较了各种估计的均方误差,结果表明,当选取伽玛先验和熵损失时,参数的贝叶斯估计最优.     

基于股票财务数据的贝叶斯网络的参数学习

研究了基于最大似然估计、贝叶斯估计与EM算法的贝叶斯网的参数学习.选取上市公司的10个股票财务变量构建贝叶斯网络,利用创建好的贝叶斯网络进行统计推断.对比最大似然估计和贝叶斯估计得到的参数值并展示EM算法不同迭代次数时的指数似然值,把EM算法得到的CPT表和最大似然估计的值相比较,对比较得到的结果进行归纳与分析.为基于不同算法的贝叶斯网络的参数学习提供了实证分析.     

混合双参数指数分布的贝叶斯估计

混合指数分布是寿命数据分析中一个重要分布,其极大似然估计由于似然函数的复杂性而变得很困难.文献[9]应用EM算法研究了混合指数算法讨论了完全数据和截尾数据情形下有限混合双参数指数分布参数分布的参数估计问题,模拟研究表明贝叶斯方法对该模型的参数估计是有效的.     

对数正态分布序列单均值变点的识别和估计

针对数据呈现偏态分布且存在变点的情况,构建对数正态分布的单均值变点模型,给出分布的均值单变点模型的似然函数,并采用极大似然方法和贝叶斯方法对变点位置进行识别和估计．通过模拟比较研究,这两种方法都能有效地估计变点位置,在标准差和相对误差准则下,贝叶斯方法比极大似然方法效果更理想．其中共轭先验分布下的贝叶斯方法较无信息先验下的贝叶斯方法识别和估计变点位置表现更优．     

MLINEX损失下k阶Erlang分布参数的Bayes估计

在MLINEX损失函数下,利用Bayes估计的方法研究了k阶Erlang分布参数的Bayes估计,并证明其容许性.给出了在MLINEX损失下得到了k阶Erlang分布参数的Bayes估计的精确表达式,并且通过随机模拟检验参数Bayes估计的合理性和优良性.     

贝叶斯-MCMC方法求解Fisher方程参数识别问题

马尔科夫链蒙特卡洛方法(MCMC)是一种启发式的全局寻优算法。在贝叶斯框架下,给出利用MCMC方法求解Fisher方程参数识别反问题的一种新方法。该方法把参数识别反问题视为贝叶斯估计问题,利用基于自适应Metropolis算法和延迟拒绝算法的一种有效的自适应MCMC方法,得到大量来自后验概率的样本,不仅能够获得每个未知参数的估计值,还可以获得与之相关的各种不确定信息。数值试验结果表明,该方法具有精度高、收敛速度快且易于计算机实现等优点。     

晶圆缺陷数据的建模与仿真

以晶圆缺陷数据为例,提出针对空间离散数据的层级IGMRF模型。为了研究晶圆数据的空间分布和空间结构对空间信息的影响,建立了一阶IGMRF模型和二阶IGMRF模型,同时引入了3种空间距离。利用贝叶斯推断结合层级模型中参数的先验分布推导模型参数的后验分布。通过MCMC算法循环迭代生成目标参数的后验分布值。借助DIC指标,说明层级IGMRF模型能够很好的模拟晶圆缺陷数据的分布特征。而且针对晶圆缺陷数据分布的稀疏程度,可以调整模型从而得到更好的拟合效果。     

基于单方程计量经济模型的贝叶斯分析

研究了关于单方程计量经济模型的贝叶斯统计推断问题,即根据样本似然函数的形式构造出未知参数的先验分布,选取正态-Gamma分布为先验分布,对后验分布进行统计推断.最后推导了未知参数在二次损失函数下的贝叶斯估计.     

贝叶斯方法和非参数模型支持下的遥感影像线性光谱分解

针对遥感影像混合像元分解中的地物光谱不确定性问题,提出利用非参数模型来刻画地物光谱的概率分布,并基于贝叶斯方法得到地物面积比例的后验概率分布,最后利用无偏估计和最大似然估计来估算地物面积比例. 通过Landsat遥感影像不透水层制图的实验表明,所提方法的分解精度高于传统的线性光谱分解算法和硬分类方法,证明了贝叶斯方法能够较好地解决地物光谱不确定的问题.