威布尔分布模型的一类贝叶斯判别分析

设有两个具有不同尺度参数的威布尔分布模型.对于待监测的寿命样本,给出相应的判别分析问题的贝叶斯停止判决法则,其中损失函数包括试验费用和误判损失两部分.     

决策表的最近近似约简

属性约简是粗糙集理论研究的核心内容之一．为此,在提出了最近精确集概念的基础上,研究了决策表属性约简方法一最近近似约简．数值例子表明,该方法简单有效．     

基于模糊点数据的核主成分分析

在核主成分分析中,给每个训练数据赋予一个置信权重,将训练数据视为样本空间的模糊点,研究了基于模糊点数据的核主成分分析.数值模拟表明,该方法能够有效控制异常点对主成分的影响.同时,该方法也为数据先验信息的利用提供了一个可行的途径.     

多准则模糊决策的Vague集方法

对模糊环境下的多准则决策问题,指出了采用Vague集进行多准则模糊决策的现有记分函数的不足,根据Vague集隶属度、非隶属度的之间的大小关系,对由Vague值组成的集合进行划分,提出新的记分函数法以及加权记分函数法.并用Vague集描述方案关于准则集的满足程度与不满足程度,即准则的权重也由Vague集表示.这种方法为决策者做出最优决策提供了一种方便有效的方法.     

一种新的GPCA方法

Generalized PCA(简写GPCA)是主成分分析(PCA)的一个非线性推广方法,主要用于数据压缩和特征提取.在经典的GPCA方法中,每个训练数据在构建主成分时的作用是相同的.然而,在许多实际问题中,训练数据的意义和作用是不同的,通常有些数据比其它数据更为重要,对于重要的数据我们应给予充分的重视,而对于不可信数据(可能是异常数据),应限制其作用.文中给每个训练数据赋予一个置信权重,将训练数据视为样本空间的模糊点,研究了基于模糊点数据的GPCA方法.数值实验表明,该方法能够有效控制异常点对主成分的影响,同时,该方法也为数据先验信息的利用提供了一个可行的途径.     

基于模糊点数据的主成分分析

主成分分析是数据压缩和特征提取的非常有效的统计方法.在经典的主成分分析中,每个训练数据在构建主成分时的作用是相同的.然而,在许多实际问题中,每个训练数据的意义和作用是不同的,对于重要的数据我们应给予充分的重视,而对于不可信数据(可能是异常数据)应限制其作用.文中给每个训练数据赋予一个置信权重,将训练数据视为样本空间的模糊点,研究了基于模糊点数据的主成分分析.数值实验表明,该方法能够有效控制异常点对主成分的影响,同时,该方法也为数据先验信息的利用提供了一个可行的途径.     

基于粗糙集方法的有序尺度变量选择

针对一种特殊类型的变量——有序尺度变量，用基于优势关系的粗糙集属性约简方法进行变量选择．实例表明，该方法可简单有效地对有序尺度变量进行选择．     

Bernoulli试验的Bayes停止判决法则

就破坏性的Ｂｅｒｎｏｕｌｌｉ试验概型，给出了检验问题Ｈ０：ｐ＝ｐ０ ｖｓ．Ｈ１：ｐ＝ｐ１（０〈ｐ０〈ｐ１〈１）的Ｂａｙｅｓｉａｎ停止判决法则，其中损失函数包括试验费用和误判损失两部分。     

一类回归模型的M—估计的相合性

设有回归模型y_1=θ_1x_1r θ_2x_2 … θ_1x_p ε,t=1,2,…,N.(1)其中x_1,…,x是(非随机)自变量;ε是随机残差变量;y为因变量;θ_1,…,θ为回归参数。     

平稳序列参数估计的定性稳健性的一些充分条件

对于(严)平稳序列的参数估计的定性稳健性问题,我们用Vasershtein距离代替了Proborov距离,提出了估计序列的弱连续的概念,从而改进了[1]中结果,在此基础上给出了稳健性的一些充分条件。