经常购买模型及其参数的极大似然估计

在分析巴斯模型和重复购买的产品生命周期模型等的基础上，提出经常购买模型，详细讨论该模型的参数的极大似然估计法，并采用实例检验模型及参数估计方法，分析模型的参数估计结果，在此基础上使用模型做产品销量预测，表明模型的参数估计方法及预测方法的有效性。     

高阶相关调制分类原理、判决门限与仿真研究

信号的自相关函数由傅里叶变换与其功率谱相联系。Beidas和Weber揭示了自相关函数与似然函数的关系 ,并建立了高阶相关调制分类方法。推导了用信号高阶相关代替似然比进行MFSK调制分类的基本原理 ,推导了截断似然比检测性能分析的基本公式 ,研究了高阶相关调制分类门限设置方法 ,进行了MFSK调制分类计算机仿真试验。结果表明该方法是可行的 ,并可望用于其它问题中。     

比值居民地指数在城镇信息提取中的应用

TM图像中由于裸地与城镇光谱特征相似，利用传统的分类方法难以区分二者，城镇提取精度很难令人满意针对这一问题，本文提出了一种新的方法即比值居民地指数（RRI）法用于城镇信息提取，同时与最大似然监督分类法作对比，研究结果表明，RRI法（精度达87.50％）优于最大似然分类法（精度为78．13％），是一种提取城镇居民地信息的理想方法，尤其适合裸地较多的干旱半干旱地区．     

血清唾液酸检测癌症和良性疾病研究

对癌症、良性肿瘤、常见病患者及健康者进行血清唾液酸（ＳＡ）检测，并对确诊或尚未确诊病例进行动态监测，结果ＳＡ正常参考值为２．０７±０．４７ｍｍｏｌ／Ｌ，性别之间无显著差别（Ｐ＜０．５）癌症组、良性疾病组、健康组之间ＳＡ依次有极显著性差别（Ｐ＜０．００１），应用ＬＲ和ＰＴＬ等指标对ＳＡ在临床应用进行系统评价，指出ＳＡ检测癌症特异性较差。且报道肾炎，尤其是急性肾炎和恙虫病ＳＡ也会显著升高，过度饮酒和抽烟也会升高，ＳＡ作为检测癌症必须动态监测，作为检测有否疾病是一种较好的试验。     

几种调制分类方法的原理与仿真试验研究

准对数似然函数比 (qLLR)、相位统计矩和不同阶幅度矩是调制分类的新方法。用qLLR方法构造检测MPSK信号的假设检验及其对数似然函数比 ,并求其数学期望 ,得到qLLR以BPSK/QPSK信号分类。相位统计矩方法利用MPSK信号符号初相位偶阶统计矩为M的单调递增函数的特性 ,并进行M进制识别复合假设检验。不同阶幅度矩进行调制分类的方法利用MPSK/MQAM信号每符号段波形起始点与其它点幅度的乘积统计矩特征进行调制分类。给出了计算机仿真试验评估。     

变换下回归模型的似然估计

研究了对响应变量作变换后成线性回归模型的参数估计问题.当变换是非参数时,用分段线性函数来逼近非参数变换,把非参数问题化成参数问题.当变换是参数时,求出了似然估计的显示解并证明了其强相合性,同时讨论估计的条件分布.     

隐写安全性度量模型及其应用

隐写术是一种隐蔽通信手段,安全性和隐藏容量是它的两个基本要求。不同隐写术之间隐藏容量的对比简单直观,而隐写安全性的衡量相对复杂很多,目前尚缺乏有效的度量方法和模型。本文建立图像DCT系数的统计分布模型,基于信息论意义上的隐写系统安全性定义,利用鉴别信息的特性,推导和建立DCT域上的隐写安全性度量。利用此度量对常见空域和DCT域隐写术的安全性进行讨论和分析。     

一种通过去噪来提高图像标注性能的方法

提出一种通过去除噪声来提高分层高斯混合模型的图像标注性能的方法．在有监督多概念标注（supervised Multiclass Labeling,SML）中,它采用了分层高斯混合模型,有效地把大量的表示图片的高斯混合模型聚类成一个表示某概念类的高斯混合模型,从而很容易实现图像的分类和标注．通过引入去噪过程,减少了图片中与概念不相关的高斯分量,消除了噪声高斯分量对分类器的负面影响,从而提高了分类性能．基于TRECVID2005数据的图像标注实验证明,该方法可以取得比SML方法更好的标注性能．     

Forecasting non-normal time series

We look at the problem of forecasting time series which are not normally distributed. An overall approach is suggested which works both on simulated data and on real data sets. The idea is intuitively attractive and has the considerable advantage that it can readily be understood by non-specialists. Our approach is based on ARMA methodology and our models are estimated via a likelihood procedure which takes into account the non-normality of the data. We examine in some detail the circumstances in which taking explicit account of the nonnormality improves the forecasting process in a significant way. Results from several simulated and real series are included.