烈日下的红豆冰

<正>周末的清晨,街道旁异常宁静。尽管被隔离带分开的宽阔四车道马路、鳞次栉比的巨大广告牌向人们展示着高雄作为大都市的特征,但眼下的节奏与氛围,让人丝毫觉察不到,人们悠闲而宜的感觉让这里与林边、枋寮等台湾乡村似乎没有太大差别。赖先生刚刚将一辆单车从头到尾擦得锃亮,但他又花了十几分钟时间,将所有螺丝检查、拧紧,调整好座位后骑上单车将每     

有限链上逻辑算子的分配性方程求解

主要讨论有限链L上的分配性方程F（ G1（ x，y），z）＝G2（ F（ x，z），F（ y，z））。分别针对以下情况对上述分配性方程的解进行特征刻画：（a） F为光滑三角模，G1＝G2为光滑三角余模（F为光滑三角余模，G1＝G2为光滑三角模）；（b）F为S-蕴涵（或R-蕴涵），G1为光滑三角模且G2为光滑三角余模；（c） F为S-蕴涵（或R-蕴涵），G1为光滑三角余模且G2为光滑三角模；（d） F为S-蕴涵（或R-蕴涵），G1和G2均为光滑三角模；（e） F为S-蕴涵（或R-蕴涵），G1和G2均为光滑三角余模。     

随机截尾情形下几何分布的参数估计

得到了随机截尾情形下几何分布参数的最大似然估计和近似置信区间,并且求出了平均寿命极大似然估计的数学期望和方差.     

带有不完全信息随机截尾试验下伽玛分布尺度参数的点估计

首先通过添加数据得到了带有不完全信息随机截尾试验下伽玛分布的完全数据似然函数,然后分别利用EM算法和MCMC方法对尺度参数进行了估计,最后进行了随机模拟试验,结果表明尺度参数点估计的精度比较高.     

左截断右删失数据下几何分布参数的点估计

证明了左截断右删失数据下几何分布参数极大似然估计的存在唯一性,给出了由EM算法得到的参数的迭代公式,进行了随机模拟试验,结果表明参数的MLE和EM估计的精度都较高.     

左截断右删失数据下几何分布参数多变点的贝叶斯估计

首先通过添加数据得到了左截断右删失数据下几何分布的完全数据似然函数,然后研究了变点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,最后进行了随机模拟,试验结果表明各参数贝叶斯估计的精度都较高。
     

左截断右删失数据下泊松分布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左截断右删失数据下泊松分布的完全数据似然函数.给出变点位置和其它参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行抽样,介绍MCMC方法的实施步骤.把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

全蕴涵多Ⅰ算法及其在多准则决策中的应用

将全蕴涵思想应用于基于L-模糊集的推理问题(其中L是一完备格)，建立α-多Ⅰ算法的计算公式，并基于一类广泛的蕴涵算子讨论相应的多Ⅰ算法的还原性问题. 最后，作为多Ⅰ算法的应用，解决一类多准则决策问题.     

左截断右删失数据下指数分布参数多变点的贝叶斯估计

主要利用MCMC方法研究了左截断右删失数据下指数分布多变点模型的参数估计问题.通过筛选法和逆变换法得到了指数分布的完全数据,在获得各参数的满条件分布后,利用MCMC方法得到了Gibbs样本,把Gibbs样本的均值作为各参数的估计.随机模拟的结果表明各参数估计的精度都较高.     

左截断右删失数据下二项分布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泊松分布的完全数据似然函数.给出了变点位置和其它参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样.详细介绍了MCMC方法的实施步骤.得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.