不完全数据得分因子的EM算法

用ＥＭ算法讨论带有Ｐｏｌｙｔｏｍｏｕｓ或删失数据押在子分析模型中得分因子的估计问题，这个算法将不可观察的不完全数据当作中间变量，使得每一步迭代都变得相当简单，从而使得原本收敛很慢的算法变得很快，另外，我们亦计算了估计的渐近标准差，最后我们给出了数值模拟结果，并将其与现有方法进行比较。     

不完全数据参数估计的α-EM算法

利用信息论中计算熵率的α-EM算法给出了一种不完全数据参数估计的新方法．与GEM等传统的EM算法相比,α-EM算法有更快的收敛速度,但作为补偿形式会复杂一点．     

投资组合中不完全数据的处理方法

投资者通常要利用数据进行投资分析,由于各个证券市场成立的时间不同,投资者所获得的历史数据长度各不相同。如果将较长的历史数据"截断"使其与较短的历史数据长度相同,这样将丢失部分有效数据从而影响分析结果,较长的历史数据为我们提供了更详细的信息。本文利用EM算法和"综合样本"法解决长度不等的历史数据问题。     

EM算法在不完全数据参数估计中的应用

EM算法是参数估计中一种很重要的方法,在处理不完全数据中有重要应用．用EM算法给出了基于状态空间模型的不完全数据的参数估计,得到了利用迭代算法计算参数估计值的方法．将之用于实例,结果表明,预测结果很好．误差在可接受范围内．     

井间层析成像的平滑SIRT算法

井间层析成像是一个非线性反演问题,为了保证反演过程的稳定性,并提高迭代的收敛速度,对常规的SIRT算法进行了改进,即引入了平滑算子对梯度场进行动态平滑,并且通过线性搜索确定速度更新的步长。将这种改进的算法称为平滑SIRT算法。模型试算的结果证明,该方法提高了迭代的收敛速度,而且反演结果不受初始模型的影响,使反演过程的稳定性大大提高。     

不完全数据参数估计问题的算法综述与评价

综述了不完全数据参数估计的EM算法、Gibbs抽样和界定折叠法等算法，并分析了这些算法的优缺点．     

不完全数据集上的半参组群差异检测

组群差异检测广泛应用于医药、社会网络等领域.现有的组群差异检测都是建立在数据集没有缺失的情况下,因此讨论并给出了在数据集缺失的情况下进行组群差异检测的方法.首先,使用一种新颖的缺失数据填充方法填充缺失数据,然后在半参环境下使用经验似然方法对得到的完全数据集估计出置信区间,进而进行组群差异检测.     

某些不完全概率分布函数

运用在时刻t之前破产没有发生而余额在时刻t到达区间[x,x dx]这一事件的概率表达式,给出了某些不完全概率分布所满足的更新方程及其表达式和拉普拉斯变换,并应用其计算了一些相关平均值.这些不完全概率分布在风险理论中具有理论的和潜在的价值.     

不完全偏好下的极大元定理及其应用

首先提出并论证了一个Zom引理的等价定理,然后利用该定理,在不完全偏好意义下获得了若干极大元定理．统一和改进了若干已知结果,例如著名的Brezis—Browder序集一般原理及其推广等。     

指数分布参数基于不完全数据的区间估计

本文针对不完全观测数据,讨论了指数分布总体参数的区间估计。主要是利用样本分位数和概率密度函数的核估计来构造枢轴量,并推导出了相应的大样本近似分布,从而得到了总体参数的近似置信区间。而且当精度要求不是特别高的时候,给出了总体参数易于计算的近似置信区间。     

隐式微分方程的存在唯一性定理

本文应用压缩映象原理证明了一阶隐式微分方程解的存在唯一性定理。本定理可以看成是Ｐｉｃａｒｄ存在唯一性定理的推广。     

数据部分缺失情况下的均值估计

某随机变量的观测值出现部分缺失时,辅助变量的存在常常可以有利于该随机变量的统计分析,该文针对辅助变量和目标随机变量没有明确函数关系,但它们存在一定的相关性的情况,提出了目标随机变量均值的一种新的估计方法,并利用随机模拟将它和完全记录分析所得的估计量进行了比较.     

不完整数据的聚类研究

数据采集过程中存在大量缺失数据,即不完整数据.传统方法在聚类不完整数据时采用填充或丢弃缺失数据方式实现数据的聚类.依据不完整信息系统理论提出一种基于K-means的不完整数据聚类算法,算法首先将数据集划分成完整数据集和非完整数据集两部分,对完整数据集采用K-means算法进行聚类,然后将不完整数据依据设计的相似度度量方法划分到对应的簇中,实现数据集的聚类.实验结果表明,提出的方法能够高效、精确地实现不完整数据聚类.     

关于数据不完整情形下的参数估计问题

本文针对数理统计中,在数据不完整(例如缺数值小的数据)情形下,如何进行参数估计问题,提出了求解方法,并进行了实例验证.     

热方程的三抛物面定理和解的唯一性

该文给出了关于超曲面族(x21+…+x2n)/(t0-t)=p,满足△u-u1≥0的函数的三抛物面定理和热方程解的唯一性结果.     

基于分布不完整数据选择性分类器

通过删除数据集中的无关属性和冗余属性构建的选择性分类器可以有效地提高分类精度和效率.由于处理不完整数据的复杂性,已有的选择性分类器大都是针对完整数据的.然而,现实中的数据通常是不完整的并且包含许多冗余属性或无关属性.为解决这一问题,在构建的不完整数据分类器DBNB的基础上给出了一种有效的选择性分类器:SDBNB.在12个标准的不完整数据集上的实验结果显示,SDBNB的分类准确率比分类效果较好的选择性不完整数据分类器SNB和SRBC平均高出0.69%和0.58%,而其标准离差比SNB和SRBC平均低0.11和0.05.这表明SDBNB不仅有较高的分类准确率,而且分类效果更稳定.     

离散属性的缺损数据处理方法

讨论了利用领域知识，如完整性约束，分级概念等，对原数据库进行重新处理并且给那些丢失或明显背离常规的属性确定一个取值区间。实验证明利用这种基于属性的知识发现方法处理缺损数据是很有效的。     

如何在电动力学中讲解"惟一性定理"

指出"惟一性定理"在电动力学中的重要地位,总结自己多年的教学经验,提出如何在教学中深入浅出地进行"惟一性定理"讲解的要点.     

基于遗传算法理论的不完备数据填补方法

通过对遗传算法理论的研究与分析,提出了一种利用遗传算法来对不完备信息系统中的不完备数据进行填补的方法。实验结果表明其准确性优先于传统的统计回归方法。     

数据包络分析的一个定理

评价决策系统的相对有效性,用数据包络分析法是行之有效的。众所周知,当一个决策单元非有效时,可以引导一个新的决策单元,使之相对于原来的决策系统有效。给出了一个非有效的决策单元,可适当地校正该单元的决策数据使之变为有效,这对于国民经济决策或计划有着重要的指导作用。