一种新的高维小样本情况下的线性判别分析

针对高维小样本问题,对传统的"PCA LDA"处理方法进行了两方面改进:首先,在降维过程中,选取主元的原则是使得Fisher准则函数取得较大值,而不是使得投影后样本在投影空间里的方差最小;其次,根据训练样本在模式空间的几何分布情况,重新定义了类内散度矩阵Sw,使之更准确地反映类内样本间的分布关系,提高了准则模型的精确性.实验结果证明了本文方法的有效性,和同类方法相比,就识别率而言,有较大提高.     

李小食心虫种群空间格局的地统计学分析

利用坐标法抽样研究了李小食心虫的空间分布格局.研究结果表明,在李小食心虫卵块没有扩散之前单株卵量的分布呈均匀分布,但卵块本身是呈聚集分布的;不同虫态李小食心虫的空间格局随季节进行转化.李小食心虫个体间呈正空间相关,且个体间相互吸引,在各方向上存在空间周期性.幼虫空间格局呈聚集分布,采用行方向间隔变程随机抽样是替代平行跳跃法的很好抽样方法.采用克力格样本作局域估计,样本总体聚集强度增大,克力格样本局域估计优于调查样本.     

IIRCT下负二项分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到了带有不完全信息随机截尾试验下负二项分布的完全数据似然函数.给出了变点位置和其他参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样.详细介绍了MCMC方法的实施步骤,得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

自助法再生样本的获取方法研究

系统地比较了3种自助法再生样本的获取方法：经验分布函数法、改进的经验分布函数法和随机加权法。模拟结果表明,自助法再生样本最好的获取方式是改进的经验分布函数法,经验分布函数法次之,随机加权法最差。     

关于样本方差函数矩的近似公式

利用Taylor公式和中心极限定理,给出了样本方差某函数的期望和方差的近似公式,并求出了样本方差的某个函数s的渐近分布.     

左截断右删失数据下指数分布参数多变点的贝叶斯估计

主要利用MCMC方法研究了左截断右删失数据下指数分布多变点模型的参数估计问题.通过筛选法和逆变换法得到了指数分布的完全数据,在获得各参数的满条件分布后,利用MCMC方法得到了Gibbs样本,把Gibbs样本的均值作为各参数的估计.随机模拟的结果表明各参数估计的精度都较高.     

φ-混合样本下分布函数在有限点的联合渐近分布

本文在φ-混合样本情形,通过大小分块方法和利用矩不等式首次构造并证明φ-混合样本下分布函数在有限个点处的核估计的联合渐近分布,得到联合渐近分布服从多元正态分布。     

基于仿生模式的人脸识别

我们提出了基于“认识”事物的人脸识别.以同类样本全体的连续性规律为基本出发点把人脸识别看成人脸 “认识”的问题而不是人脸分类划分,与以“最佳划分”为目标的传统统计模式识别相比, 本文的方法更接近于人类“认识”事物的特性.同一人脸的分布在低维空间中具有一定的类聚性而不同人脸的覆盖范围相互交织.随着空间维数增加,同类样本内聚性减弱,不同类样本互斥性增强;空间维数继续增加,同类样本内聚性与不同类样本互斥性反而都会减弱.将待识别人脸在某一空间进行覆盖范围的识别.若属于多个侯选人脸覆盖范围,进而运用Fisher人脸     

基于样本曲率的模糊神经网络结构学习算法

提出了一种根据输入与输出样本间映射关系的复杂度确定模糊神经网络的输入隶属函数个数与参数的学习方法 ,采用输入输出样本关系曲率来表示函数的复杂度 ,根据曲率的大小确定隶属函数的中心点与宽度 ,使隶属函数的分布符合映射的变化 ,从而在提高逼近精度的同时减少隶属函数个数的增加 .通过仿真将这一方法与均匀划分方法及自组织聚类方法比较 ,结果表明 ,该方法在学习的快速性与精度方面均具有较优的性能     

IIRCT下几何分布参数多变点的贝叶斯估计

首先通过添加数据得到了带有不完全信息的随机截尾试验下几何分布的完全数据似然函数,然后研究了变点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,最后进行了随机模拟,试验结果表明各参数贝叶斯估计的精度都较高.     

改进的二维最优信息扩散方法

对原有的受单个参数控制的二维信息扩散方式作了改进,通过构造一个概率扩散模型导出了一个由3个参数控制的扩散函数,在此基础上根据实际情况建立一个准则,最终得到一个信息扩散的参数优化数学模型.实例表明在小样本的情况下,该最优信息扩散方法能够取得更加理想的结果.     

扩散模型复合分位回归估计的渐近正态性

主要研究扩散模型中漂移函数的复合分位回归估计的渐近正态性.基于离散观测样本,利用复合分位回归的方法得到了漂移参数函数的局部估计量,并证明了估计量的渐近正态性.     

基于多尺度特征提取的单目图像深度估计

在目前基于深度学习的单目图像深度估计方法中,由于网络提取特征不够充分、边缘信息丢失从而导致深度图整体精度不足。因此提出了一种基于多尺度特征提取的单目图像深度估计方法。该方法首先使用Res2Net101作为编码器,通过在单个残差块中进行通道分组,使用阶梯型卷积方式来提取更细粒度的多尺度特征,加强特征提取能力;其次使用高通滤波器提取图像中的物体边缘来保留边缘信息;最后引入结构相似性损失函数,使得网络在训练过程中更加关注图像局部区域,提高网络的特征提取能力。在NYU Depth V2室内场景深度数据集上对本文方法进行验证,实验结果表明所提方法是有效的,提升了深度图的整体精度,其均方根误差(RMSE)达到0.508,并且在阈值为1.25时的准确率达到0.875。     

基于单星观测的双损失函数弹道估计方法

针对没有标准弹道模板先验信息支持的情况下,单星观测弹道估计问题中观测信息不全,无法直接进行弹道估计,并且在使用残差大小作为优化标准,收敛不确定问题,提出了采用双损失函数的确定性弹道估计方法。利用基于观测量的损失函数和基于高度偏差的损失函数联合搜索确定弹道中两点高度,从而确定弹道平面方向,保证系统确定地收敛到最优解。通过数值仿真验证了算法的有效性。     

生产函数模型中参数的Minimax估计及应用

 生产函数模型中参数的估计问题是生产函数建模和统计推断的重要环节,也是用于测算科技进步的重要手段.在实际问题中,由于数据的原因,用传统的最小二乘估计得到的结果与实际解释会产生较大的偏差.文章介绍有效利用先验信息进行模型参数估计的Minimax估计方法,并给出了一种迭代算法,同时通过实例进行了分析和说明.     

熵损失下心理状态数的统计推断

通过引进信息论中的熵距离作为损失函数, 讨论了心理状态数的Bayes估计及其可容许性问题, 并给出随机模拟结果和检验操作者心理状态的检验方法.     

非定常对流扩散问题间断有限元方法的后验误差估计

后验误差估计是自适应算法的基础.为了设计有效的自适应算法,必须恰当估计数值解的误差界,自适应算法依此来实现网格的局部调整,提高计算效率,改善计算精度.运用对偶论证,给出了非定常对流扩散问题间断有限元(DG)方法的后验误差分析.由有限元的正交性、分部积分和相关逼近性质,严格推导出误差泛函的上界.     

基于傅立叶变换的OFDM信道估计方法研究

分析了无线OFDM 系统中基于傅立叶变换的信道估计方法,提出了在低信噪比情况下使用LMMSE估计的一种改进方法和在高信噪比情况下使用不需要先验信息的LS估计的改进方法。仿真结果表明，在无线多径慢衰落信道条件下，该改进方法都能够有效对抗频率选择性和先验信息的估计偏差对信道估计的影响，在估计性能与算法复杂度之间取得良好折衷。     

组合电路复杂度与面积的翻转信息熵估计方法

为了提高在信息论基础上的逻辑电路面积和功耗分析方法的估计精度,在传统输出信息熵估计理论基础上,提出了利用翻转信息熵进行电路实现复杂度和面积估计的理论方法。概率的方法被用于对组合逻辑电路的输入输出信号翻转行为的相关和相似进行量化分析。在此基础上实现了翻转信息熵面积估计算法,对随机生成的大量电路和标准benchmark电路进行的实验结果表明,该方法带来了至少3%左右的估计精度改善。     

基于SAS程序模拟运算的函数模型Y=(a+bX)/X+ε参数估计及其应用

数学模型参数的估计常采用经典统计方法,本研究将SAS程序和贝叶斯统计相结合,对非线性回归模型Y=(a+bX)/X+ε进行参数估计,并通过实例演示验证了该方法的有效性,为统计方法提供了新的手段和途径.