PA样本下连续型单参指数族参数的EB估计

目的 研究PA样本情形下连续型单参指数族参数的经验Bayes估计.方法 对密度函数及其导函数采用核估计的方法 构造了参数的EB估计.结果 在平方损失函数下,给出PA样本情形参数EB估计的收敛速度.结论 在适当条件下,连续型单参指数族参数的经验Bayes估计,在PA样本下收敛速度可与iid样本及NA样本一样,任意接近D(na-1/2).     

相依样本时的线性经验贝叶斯估计

讨论了m相依样本时单参数总体中参数θ的线性经验贝叶斯估计，得到一致渐近最优收敛速度O(N^-1CN^-2)．     

PA样本下刻度指数族参数的EB检验

目的 研究PA样本情形下刻度指数族参数的经验Bayes检验问题.方法 对密度函数及其导函数采用核估计的方法构造EB检验函数.结果 在加权线性损失下,给出PA样本情形参数EB检验函数渐近最优性及其收敛速度.结论 在适当条件下,所构造的EB检验函数的收敛速度可与iid样本及NA样本一样,任意地接近D(n-1/2).     

基于样本变异系数的Gamma分布参数估计

Gamma分布的参数估计问题在数学中占有非常重要的地位.借助矩估计通过样本变异系数独立性构造了Gamma分布的形状参数和尺度参数新的估计量,并通过比较偏差作为评价样本对估计参数下的分布效果.     

双截尾样本下参数的矩估计

给出了双截尾样本情形下参数的一种矩估计法,并由此推出双截尾样本下威布尔分布参数的矩估计法。     

基于Bootstrap的小样本可靠性评估方法

针对小样本情况下,采用极大似然估计Mle法求解分布参数会产生较大误差的问题,基于Bootstrap数据扩充的思想提出了B-mle法,减小了参数估计的误差.首先,利用Bootstrap法对小样本数据重抽样产生多组再生样本,达到扩充数据样本的目的;其次,对再生样本采用极大似然估计求解分布参数,得到多组参数的极大似然估计值,...     

排序集抽样下样本参数的修正区间估计

研究了排序集抽样下样本参数的修正极大似然估计的性质,并以此估计为基础构造了样本参数的修正区间估计.研究表明:在相同的置信水平下,基于排序集抽样的样本参数的修正区间估计较传统的置信区间具有更高的精度.     

NA样本下双边截断型分布族参数的EB估计

目的在NA样本下研究双边截断型分布族参数的经验Bayes(EB)估计。方法对密度函数采用核估计的方法构造了参数的EB估计。结果在加权平方损失函数下,获得了该估计的收敛速度。结论在适当的条件下,NA样本双边截断型分布族参数的EB估计的收敛速度任意接近O(n-1/2)。     

基于有序抽样样本参数的置信区间

讨论了一种新的抽样方法即有序抽样方法下样本的信息矩阵及参数的极大似然估计的性质,把它和简单随机抽样样本下的信息矩阵进行了比较,并以此估计为基础给出了一种新的参数的置信区间的构造方法,表明在相同的置信水平下以此方法构造的参数的置信区间比传统方法下构造的参数的置信区间更短,因而也具有更高的相对精度。     

NA样本下双指数分布位置参数的经验Bayes估计

在平方损失NA样本下获得了双指数分布参数θ的经验Bayes估计,构造了经验Bayes(EB)估计量,证明了渐近最优且收敛速度阶为O(n-(rs-2)/2(s+2)).     

FI-MPT-AES 用于实际样品分析

用流动注射进样在线标准加入微波等离子体矩原子发射光谱法进行实际样品铝合金、催化剂、合金钢、生物样品等的分析,结果令人满意．     

有序样品聚类的差异序列法

本文借助于两个样品的差异度和有序样品的差异序列两个概念，提出了有序样品聚类的差异序列法法。聚类数和分割点可以容易地由差异法获得。对某些无序样品，也可以应用差异序列法。三个例子说明，差异序列法是简单、有效的。     

透射电子显微镜样品的制备方法及技术综述

透射电子显微分析技术已成为科学研究过程中十分重要的表征手段,可以对材料内部的微观形貌、微区结构以及微区成分进行精细分析,是探索物质本质的强有力工具。那么,透射电子显微镜样品的制备方法及技术就显得尤为重要。结合近几年来的相关报道,阐述了各种透射电子显微镜样品制备方法及技术的基本原理及具体操作步骤,同时对不同类型的透射电子显微镜样品适用的制备方法进行了总结,以期为科研人员进行透射电子显微镜样品制备提供参考。     

桌旗的小样试制

家用纺织品是纺织产品的三大门类之一，属纺织行业发展的热点。本文研究的桌旗属于家用纺织品的一种，本文给出了桌旗的定义与类型，从产品的用途特性出发，进行了小样试制的尝试。     

某种样品的动态聚类法

针对某种特殊样品，借助于回归系数，对原有的动态聚类法加以改进．并通过一个实例将本文方法与原算法结果加以比较     

前馈神经网络病态学习样本剔除方法

为有效剔除学习样本中的病态样本,以提高神经网络的泛化能力,提出一种新的病态样本搜索思想并应用海明距离,给出了基于搜索思想和海明距离的前馈神经网络病态样本剔除方法。该方法不用纳入专家的先验知识、样本形式等其他因素即可完成对病态样本的搜索和剔除,具有较强的适用性。数值模拟实验分析结果表明,该方法是一种科学、有效的方法,借助其能有效地搜索出学习样本中所存在的病态样本,对解决实际问题具有较大的应用价值。     

环境样品中可溶性无机硫化物的分析进展

综述了1997年以来国内环境样品(包括环境水样,底质,土壤及大气)中可溶性无机硫化物的分析进展,包括硫化物标准溶液稳定性研究,样品预处理方法研究,高浓度可溶性无机硫化物的碘量法,光度分析法,电化学分析法及色谱分析法,引用文献75篇。     

有新样本加入的支持向量机的学习策略

在支持向量机的学习过程中,有些情况下训练样本不能一次全部给出,这样当有新样本加入训练集时,支持向量集和训练样本集的等价关系将被打破.为了解决这个问题,本文提出了有新样本加入的支持向量机的学习策略.通过对新样本的分析,选出能代替原样本和新样本进行学习的样本,并给出这些样本应满足的条件,最后给出了相应的学习策略.对标准数据集的实验表明,本学习策略可以在新增样本增加后,有效压缩样本集的大小,提高分类的速度,舍弃无用的样本,同时保证了分类精度.     

基于支持向量机的小样本数据概率分布模式自动识别

在装备可靠性工程领域,小样本数据概率分布模式识别是亟需解决的一个难题.统计学习理论是专门研究小样本情况下机器学习规律的理论,支持向量机是当前最新的、基于统计学习理论的机器学习算法.根据现代统计学原理提取了数据分布特征参数,采用支持向量机分类算法构建了小样本数据概率分布模式自动识别模型.测试结果表明,模型对小样本数据概率分布模式具有较强的识别能力.     

微波技术在环境样品预处理中的应用

微波技术作为样品预处理的新技术已引起人们的普遍关注。文章对这一技术在环境样品中的消解和萃取方面的应用进行评述。