线性模型回归参数极大似然估计的约束EM算法

提出了非线性不等式约束下线性模型回归系数渐进极大似然估计的EM算法,利用极大似然估计的渐近正态性质,将EM算法的M-步转化为随机优化问题,给出了该随机优化问题的极限问题,即利用更易求解的极限问题的最优解来代替原优化问题的最优解,并证明了原优化问题的最优解是依概率收敛于极限问题的最优解.     

正态模型参数线性不等式约束估计的优化算法

研究含有不完全数据的多元正态模型参数在一般线性不等式约束下的极大似然估计问题;利用约束EM算法求得多元正态模型参数的迭代解,同时提出M-步的优化算法;并证明了此解是一般线性不等式约束下的最优解.     

平衡损失下等式约束模型参数的Minimax估计

研究等式约束模型中回归系数的线性Minimax估计问题.在改进Zellner提出的平衡损失函数的基础上,分析了齐次线性估计类中等式约束模型中回归系数线性估计损失风险的极大极小性,并得到了回归系数的线性Minimax估计;在适当的假设下,证明了回归系数线性Minimax估计的唯一性.     

多元正态模型的线性不等式约束估计

研究含有不完全数据的多元正态模型参数在一般线性不等式约束下的极大似然估计问题;利用约束EM算法求得多元正态模型参数的迭代解,并证明了此解是一般线性不等式约束下的最优解.     

EM菌对镉离子的吸附特性的研究

采用设置不同浓度梯度,研究EM菌对重金属镉的吸收富集.通过采用Langmuir模型和Freundlich模型的线性和非线性拟合发现,Langmuir型吸附模式能更好地描述Cd2+离子在菌体上的吸附,其线性回归系数R2达0.9992,而且EM菌对Cd2+吸附富集率达75.26%.     

带约束的增长曲线模型线性估计的可容许性

讨论带约束增长曲线模型中回归系数线性估计的可容许性,在二次损失下,给出了回归系数的线性估计是可容许的充要条件.     

线性回归模型回归系数的条件岭型估计

研究了线性等式约束的线性回归模型回归系数的一种有偏估计--条件岭型估计,给出了在均方误差意义下条件岭型估计优于回归系数的约束最小二乘估计的条件.     

响应变量随机缺失下线性回归模型的自适应期望递归最小二乘算法

在响应变量随机缺失MAR机制的前提条件下, 针对线性回归模型, 提出了一个新的期望递归最小二乘算法(Expectation Recursive Least Square, ERLS), ERLS方法巧妙的结合了EM算法和RLS的优点, 自适应的递归估计回归系数, 从而避免了高维数据的相关矩阵的求逆困难. ERLS算法是实时自适应处理算法, 无需存储全部数据集, 在观测数据存在野值时, ERLS算法优于LS方法.     

评估模型基于交互投影的参数岭估计

根据评估过程提出的一种因变量和回归系数都未知的凸约束广义线性回归模型,利用凸集间的交互投影作出模型参数的最小二乘估计,在设计矩阵列复共线时给出了交互投影算法的参数岭估计,扩充了评估模型理论,增强了评估模型基于交互投影算法的计算稳定性.     

也谈带约束的回归系数的线性估计的可容许性

本文针对带齐次线性等式约束的线性模型(Y,Xβ,σ~2Γ,Γ≥0,Hβ=0),给出了回归系数 Sβ的估计 LY+α在线性估计类中可容许的充要条件,发展了《高校应用数学学报》1991;6(1)发表的“带约束的回归系数的线性估计的可容许性”一文中的主要结果,而且证明方法更加简单.     

EM算法收敛的必要条件

本文从变换Ｊａｃｏｂｉａｎ阵角度出发指出了ＥＭ算法收敛的必要条件，并给出了验证这一条件的近似方法，这为ＥＭ算法的实际应用提供了一定的帮助，而且避免了文章［２］，［４］中的纯数学条件     

泊松线性混合效应模型的参数估计

讨论了如何运用EM算法对泊松线性混合效应模型进行参数估计.首先利用马尔柯夫链蒙特卡罗方法对Q函数进行近似,然后利用Newton-Raphson算法求出Q函数的极大值点,从而求得了模型中未知参数的极大似然估计.以一组癫痫病人数据为例,说明该方法是简单可行的.     

Cox模型中参数满足线性不等式约束的似然估计

研究了Cox比例风险模型中协变量部分缺失且参数满足线性不等式约束下的极大似然估计问题。在实际问题中，特别是对生存分析的研究中，数据经常会出现删失、截断、缺失的情况。本文利用EM算法和约束下优化算法得到的数据部分缺失且参数满足线性不等式下的极大似然估计。     

带有约束条件的零一膨胀Poisson回归模型

考虑一类带有一般线性约束条件的零一膨胀Poisson回归模型, 给出参数估计的EM(expectation maximization)算法, 并利用数值模拟和实际数据分析验证了结果的灵活性和可行性.     

带有约束条件的零一膨胀Poisson回归模型

考虑一类带有一般线性约束条件的零一膨胀Poisson回归模型, 给出参数估计的EM(expectation maximization)算法, 并利用数值模拟和实际数据分析验证了结果的灵活性和可行性.     

成分数据中基于MCLasso的修正EM算法

针对成分数据中含有近似零值,对其作对数比变换后就会出现无穷值,从而影响对数据的进一步分析.提出了一个新的修正EM算法来处理成分数据中的近似零值问题,针对EM算法的缺点对其进行一些改进,即:对EM算法的E步用Monte Carlo方法改进,对EM算法的M步用Lasso算法进行改进.对新的方法进行实证分析,并与基于线性回归的修正EM算法、基于均值插补法和Bootstrap的修正EM算法进行比较研究,验证了该方法的有效性.     

基于模态回归的半参数部分线性模型的稳健估计

以半参数部分线性模型为对象,研究了基于模态回归的稳健估计方法。非参数部分采用B样条近似,在模型的回归中通过控制核函数的带宽来实现估计的稳健性,结合局部二次算法(LQA)和模型期望值最大化算法(MEM),提出EM估计算法,得到了参数估计以及非参数部分估计的收敛速度。通过蒙特卡洛模拟和实例分析,验证了本文方法的有效性。     

对一组种子数据的统计分析

Crowder曾经研究过一组种子数据,这组数据所对应的模型为二项线性混合效应模型.本文运用EM算法对模型进行参数估计,并利用“点删除”方法探测到了数据中的强影响点.     

EM与PSO算法在图像统计模型拟合中的应用

针对期望最大值算法(EM)对图像统计模型初始值敏感和容易陷入局部极值的弱点,结合粒子群优化算法(PSO)全局寻优的特点,提出一种有效解决此问题的EM-PSO混合算法.该算法将粒子分为最优种群和进化种群,分别用EM算法和PSO算法进行更新.然后选取最优粒子群作为EM算法的初始值.仿真结果表明,用EM-PSO算法拟合图像统计模型比用EM算法拟合图像统计模型更准确.     

Fisher得分法与EM算法在随机效应模型中的应用

随着随机模型的广泛应用,关于随机效应模型的参数估计一直是线性模型的最活跃的研究方向之一。我们经常估计这类模型的固定效应和方差成分。我们使用极大似然估计作为估计方差成分的一种技巧,为了考虑到估计固定效应时的自由度的损失,我们又会使用限制极大似然估计。计算方差成分的ML或者REML估计时,有很多迭代算法可以使用。我们关心的是Fisher得分法和EM算法应用到随机效应模型的方差成分上,通过使用这两种算法对随机效应模型的方差成分的极大似然估计和限制极大似然估计进行比较分析。本文给出EM算法用于求极大似然估计的具体公式补充证明,并对Fisher得分法在随机效应模型中的应用限制极大似然估计给予具体公式。