基因预测中外显子分值的转化

多数基因预测算法都会给出预测外显子的分值,但这些分值大多没有意义,很难给使用者带来有用的信息.作者以基因预测程序Fgenes为例,分别用4种方法将外显子的分值转换成概率分值,通过计算机模拟,4种方法都取得了良好的效果,其中以局部多项式估计效果最好.     

中长期趋势预测的统计模型和方法

在自然科学和社会科学的各个领域中,人们常常需要从某些量的历史数据出发,来预测我们所关心量今后较长一个时期的发展趋势,从而为系统决策提供定量的依据,减少因“心中无数”造成的失误。比如某地区制定到本世纪末的社会经济科教发展战略规划,就需要估计总产值在今后15—20年的增长情况。又如国家要合理安排和充分利用资金,也需要对存款     

线性模型下输入矩阵的最优设计

线性无偏最小方差估计与最优加权最小二乘估计是线性模型下两种最常用的估计方法。前者估计性能优于后者，但需要被估计量的一、二阶矩信息。作者深入讨论了这两种估计的关系，得到了二者在均方误差意义下等阶的充要条件，进而找到一种设计输入矩阵的方法，使得在先验信息缺乏的条件下，仍可利用最优加权最小二乘估计达到与线性无偏最小方差估计一样优越的估计性能，避免了获取先验信息的困难，同时保持了估计的最优性。     

基于Copulas的多元密度函数估计方法

在多传感器决策和估计融合中，利用多站之间的随机信号观测的联合密度函数可以提高决策和估计融合的性能然而，在多传感器信号的观测采样过程中，单站往往可以采到丰富的信号观测样本，而多站之间只能采集到少量的联合信号观测样本采用经典的核密度估计方法只能利用多站之间少量的联合随机信号的观测样本来估计信号观测的联合密度函数，无法利用单站丰富的信号观测的样本信息本文基于Copulas获得了两种多元密度函数的非参数估计方法它们既能充分的利用多站之间的少量的联合观测样本的信息，又能充分的利用单站丰富的观测样本的信息数值     

一般最小方差组合投资权系数

组合投资优化在组合投资管理中被广泛研究，在研究中，一般使用的是拉格朗日乘子法．然而，这一方法有某些限制：其基本假设是回报的方差阵是正定的，这使得该方法不能在一般情况下使用．本文作者的目标是应用二次优化理论以获得一般情况下的最优权系数，所得结果突破了前述的方差阵的限制．     

推广的遗忘因子递推最小二乘算法在GPS中的应用

作者将推广的遗忘因子递推最小二乘算法应用到GPS以确定动态目标的轨迹，并与推广的Kalman滤波进行比较，发现两种算法在GPS中具有各自的优点，当噪声相关性较大又不能准确地得到其方差时，推广的遗忘因子递推最小二乘算法好于推广的Kalman滤波算法。     

随机隶属函数的某些优化准则及基于随机集的组合律

作者定义了随机隶属函数的概念,使得论域上元素的隶属度不再是一个确定的数,而是一个随机变量, 同时定义了相应的α-β截集.相对于传统的非随机隶属函数,随机隶属函数具有的概率性质携带了更多的信息.然后,作者讨论了随机隶属函数的一些特性,如元素在某个概率水平下的最大隶属度,以及大于某个隶属度水平的最大概率等,并给出一些例子来说明它们在应用中的意义.最后通过建立随机集和随机隶属函数之间的对应关系,并利用随机集的特点,作者得到了随机隶属函数的组合律.     

随机系数矩阵卡尔曼滤波

作者考虑了状态转移矩阵和量测矩阵是随机阵的线性离散时间动态系统的状态的线性最小方差递推估计问题,即随机系数矩阵卡尔曼滤波,说明了该系统可化为过程噪声和量测噪声均依赖于状态,而转移矩阵和量测矩阵是非随机阵的线性动态系统,从而证明了新系统的状态的最小方差估计问题仍有卡尔曼滤波形式.     

两元两站分布式判决系统中的最优分站压缩律

讨论在中心融合律综合下两元两站分布式判决系统中最优分站压缩律的问题，着重讨论两种斯信号检测，得出的结论是：在高斯噪声影响下的确定性信号检测中，和在随机性高斯信号检测中，当方差，相关系数满足一定条件，最优分站压缩律是似然比。     

最优加权最小二乘估计与线性无偏最小方差估计性能比较

在给定的线性模型下,讨论了最优加权最小二乘估计与线性无偏最小方差估计性能比较,在噪声方差矩阵可逆条件下,可算出线性无偏最小方差估计与最优加权最小二乘估计方差的差表达式,并在一定条件下,两者趋于一致。