基于帧选择和极大似然估计的自适应光学图像多帧联合去卷积算法

为提高自适应光学(AO)图像的空间分辨率,提出一种基于帧选择和极大似然估计的AO图像多帧联合去卷积算法.该算法基于极大似然估计,根据图像的高斯噪声模型建立多帧AO图像的联合对数似然函数.首先对观测的多帧AO图像进行帧选择,遴选高质量的降质图像;然后结合观测条件和AO系统特性,推导点扩散函数估计模型;最后建立迭代求解公式,得到多帧AO图像联合去卷积方法.实验结果表明,与基于期望值最大化的Richardson-Lucy算法(Richardson-Lucy EM算法)和基于合并惩罚函数的自适应应图像复原算法(CPF-Adaptive算法)相比,该算法的峰值信噪比分别提高9%和5%,Laplace梯度模分别提高11%和8%,且得到了较清晰的目标图像.     

Turbo乘积码的重复译码算法

主要是针对TPC译码算法进行研究,依据对数似然概率(LLR)和最大后验准则的原理,推导出对数似然概率估算的近似公式,形成TPC重复软译码纠错算法,并通过软件实现.     

基于正态-混合对数正态共轭先验下时序趋势项的贝叶斯推断

系统地分析了AR(p)误差项的时间序列模型及条件似然函数,并根据似然函数的统计结构构造了模型参数的共轭先验分布,研究了正态-混合对数正态共轭先验下模型的贝叶斯推断理论,包括趋势项的核估计参数及先验参数的后验分布的统计推断.     

纵向数据下部分线性模型基于经验似然的变量选择

针对纵向数据下的部分线性模型, 建立基于经验似然方法的变量选择的信息准则, 证明新变量选择方法的渐近性质, 并模拟研究比较参数信息准则与基于经验似然的信息准则的有限样本性质. 结果表明, 基于经验似然方法的信息准则克服了参数似然函数有时较难得到的困难, 模型选择效果较好.     

基于半参数估计的W-CIC Copula函数选择准则

基于全参数极大似然估计的AIC准则是常用的模型选择标准.在实际应用中,往往将其用于半参数伪极大似然估计,其中存在模型选择的偏差.CIC准则适用于半参数伪极大似然估计,但对于大部分在边界处增长过快的Copula密度函数该准则失效.基于此,对原有的CIC准则进行改进建立W-CIC准则,即降低Copula密度函数在边界处的权重,是CIC准则的加权版本.W-CIC准则打破了原准则的局限性,适用于更多的Copula函数模型.     

广义线性模型中极大拟似然估计的弱相合性

在λn=O(λn)及其它正则条件满足时,用压缩映射原理证明一般联系函数多维广义线性模型的极大拟似然估计(MQLE)的弱相合性,将误差为独立序列的情形推广到相依序列,其中-λn(λ-n)为矩阵Sn=∑ni=1XiXTi的最大(最小)特征根.     

稀疏对数回归及其在基因选择中的应用

针对微阵列分类中涌现出的小样本、超高维问题,提出了一种同时进行基因选择和分类的稀疏对数回归学习机.结合部分自适应弹性网络惩罚与对数似然损失函数,提出了稀疏对数回归学习机,证明了该学习机能激励自适应群体基因选择效应.     

多重高斯有向图模型结构学习

对k个节点数为n的高斯有向图,本文充分利用节点之间的偏序先验,并挖掘多重高斯有向图之间的相似性结构,并将其分为p个组.基于极大似然估计提出了带相似性结构惩罚项的Lasso回归模型用于估计图的邻接矩阵,并利用时间复杂度为O(nk~2p)的坐标下降法求解该模型.通过数值实验对比了本文算法和PC算法,证明了本文算法较PC算法对于多重高斯有向图具有较好地恢复效果.     

阵元非均匀高斯噪声背景下近场声源定位方法

针对阵元非均匀高斯噪声背景下的近场声源定位问题,研究了最大似然定位方法,并给出克拉美-罗界(CRB),进而为了解决最大似然方法常规求解方法多维参数空间搜索的高运算复杂度问题,提出了基于对数似然函数的步进迭代方法(SML)和近似似然函数法(AML).仿真实验表明,SML方法经过较少的迭代即可收敛,SML方法和AML方法的估计精度较高,均方误差(MSE)在较高信噪比条件下逼近CRB.     

强迫选择实验中的心理测量函数研究

为了评价观察者在视觉检测实验中的感知能力,提出一种含约束条件的最大似然拟合方法.该方法通过强迫选择实验获得不同视觉刺激强度下的主观识别率,通过离差分析筛选出有效的实验数据,然后采用最大似然准则拟合出识别率与刺激强度的函数关系.实验建立了2选项和4选项强迫选择实验的心理测量函数,其中刺激信号的面积覆盖100~400 mm2.实验结果表明:拟合的均方误差在0.05附近,决定系数近似为0.9;两位观察者的心理测量函数的最大误差是0.046 6;相比非线性最小二乘拟合,最大似然拟合具有更高的拟合准确率.     

数控机床可靠性评估中的边界强度过程

基于Akaike 信息准则(AIC)、Bayesian 信息准则(BIC)及故障数据拟合的均方根误差(RMSE),提出了可修系统可靠性分析的非齐次泊松过程模型的选择方法,利用最大似然估计的渐近对数正态分布特性,用Fisher信息矩阵法给出了边界强度过程模型参数及系统可靠性指标的点估计及区间估计,分析了多台数控机床时间截尾的故障过程.结果表明,对于维修频繁的性能恶化数控机床,边界强度故障模型适合于其可靠性评估.     

多维广义线性模型极大拟似然估计的渐近正态性

对固定设计的多维广义线性模型, 在λ(1/2/n)(1)/(2)λn/n→0和其他一些正则性条件下,证明了自然联系函数下的拟似然方程n∑i=1xi(yi-μ(x′iβ))=0 的解β^n即拟似然估计的渐近正态性, 其中,λn(λn) 表示∑ni=1xix′i的最小(最大)特征根, xi是有界的p×q回归变量,yi 是q×1响应变量.     

一类双函数系数ARCH-M模型的经验似然估计

针对一类双函数系数自回归条件异方差-均值(ARCH-M)模型的估计问题,提出一种基于经验似然的估计方法;在该估计方法中,所提出的模型允许金融时间序列的风险效应和收益效应同时为某一变量的函数结构,可以有效地刻画金融时间序列的风险和平均收益之间的关系,具有较广的适应性;同时,与经典矩估计法和极大似然估计法相比,基于经验似然的估计方法具有独特的优势,可以充分考虑金融序列的异方差性,并且所构造的置信区间不涉及任何渐近方差的估计,因此具有较好的稳健性和有效性;在一些正则条件下,对所构造的经验对数似然比统计量及函数系数估计量的渐近分布进行了理论分析;结果表明：关于风险效应函数系数和收益效应函数系数的经验对数似然比统计量均渐近收敛于中心卡方分布,同时函数系数估计量渐近收敛于正态分布;进而对风险效应函数系数和收益效应函数系数分别构造了相应函数系数的逐点置信区间。     

半变系数伽马脆弱模型惩罚部分似然估计

为了更好地分析对数风险函数与协变量之间复杂的非线性关系,提出一种半变系数伽马脆弱模型并给出其估计方法．首先,应用B-样条将半变系数伽马脆弱模型近似转化为线性伽马脆弱模型,然后运用惩罚部分似然法估计转化后模型的线性参数,随后采用近似轮廓似然法并运用黄金搜索算法估计随机效应的参数;在通过迭代获得转化后的线性系数以及随机效应参数的估计以后,运用B-样条得到变系数函数的估计．经蒙特卡罗模拟研究发现,该方法可以给出协变量的线性参数以及变系数函数较为精准、稳定的估计,是分析协变量对于风险率影响的有效方法．最后,应用所提出的方法分析了NCCTG肺癌数据．     

基于SA-MCMC算法的非线性测量误差模型数据删除影响

为了研究非线性测量误差模型强影响点的识别问题,首先将非线性测量误差模型中存在误差的不可观测的数据当作缺失数据,利用SA-MCMC算法求得模型参数的最大似然估计,然后用Q函数代替可观测数据的对数似然函数进行影响分析,得到了建立在Q函数基础上的广义Cook距离及其一步近似,最后通过算例说明了诊断统计量的有效性.     

对数正态分布参数的最大似然估计

对数正态分布是工程、医学、生物学中常见的分布之一。讨论分组数据情况下,对数正态分布参数的最大似然估计,给出分布函数似然方程组解的唯一性的一种证明方法。     

一种基于信道软译码的差错隐藏算法

为满足恶劣无线环境下低速率语音通信需要,针对混合激励线性预测(MELP)提出了一种基于信道软译码的差错隐藏算法.利用软译码所得对数似然概率比估计比特错误概率,提出了利用比特错误概率和信源残留冗余,基于最大后验概率(MAP)估计合成端语音清浊音模式.对不同的清浊音模式,选择不同的参数重构方案,浊音帧时,利用对数似然概率比基于最小均方误差(MMSE)准则进行参数重构;清音帧时,硬判决对数似然概率比,由硬判决结果通过映射直接重构参数,在信道编码为递归系统卷积码和并行级联卷积码情况下,采用PESQ测试了提出的差错隐藏算法误码条件下合成语音质量.测试结果表明,与近年来提出的针对MELP的差错隐藏算法相比,该算法具有更好的性能.     

混合扰动模型中LSE和若干有偏估计的局部影响

研究了线性回归中方差加权和均值漂移混合模型中ＬＳＥ和若干有偏估计的局部影响分析，从基于回归系数无偏估计的似然函数出发，求得回归系数最小二乘估计（ＬＳＥ）在混合扰动下的影响曲率，最大影响曲率和最大曲率方向，对于有偏估计，在后验分布对数似然函数的基础上，求出了这些有偏估计在混合扰动下的影响曲率，最大影响曲率和最大曲率方向。     

时间序列趋势项的贝叶斯估计

系统地分析了AR(p)误差项的时间序列模型的数学模型及条件似然函数,并根据似然函数的统计结构构造了模型参数的共轭先验分布,研究了正态-混合Γ先验下模型的贝叶斯推断理论,包括趋势项的核估计参数及先验参数的后验分布的统计推断.     

对数线性Gamma分布模型极大似然估计的强相合性和渐近正态性

在‖Z‖n=o(log n)和λmin∑i=1nZiZ'i≥cnα(对某个c0,α0)等条件下,证明了对数线性Gamma分布模型极大似然估计(MLE)的强相合性和渐近正态性,其中设计阵序列{‖Z‖}n可以为无界序列.