基于Signature和Ⅱ型双删失系统寿命数据的统计推断

基于Signature理论和方法, 建立Ⅱ型双删失情形下元件寿命的统计推断模型, 用极大似然估计及其渐近理论, 推导出系统元件寿命分布参数的点估计及渐近置信区间估计的解析表达式, 并通过3种优化算法获得相关估计的数值解. 仿真结果表明, 基于Signature的似然函数统计推断模型对Ⅱ型双删失情形下元件寿命的推断有效.     

基于非线性滤波器的最大似然信道估计

在有限信道冲激响应较长的情况,由于待估计参数空间的高维数,准确计算最大似然信道估计的复杂度较高,在实际应用中通常采用近似的方法.利用非线性Teager-Kaiser滤波器在抑制噪声的同时可以有效提取信号的特征,定义了一个表征信道参数概率分布的似然比,对该似然函数的最大化是首先得到路径延迟的极值,然后求得复路径衰耗.计算机仿真结果表明,与非似然方法相比,采用该似然函数方法能使联合检测性能得到提高.     

广义变系数模型的局部非线性似然估计

针对广义变系数模型,在局部线性似然估计方法的基础上将关于系数函数的局部线性拟合改进为局部非线性拟合,利用Newton-Raphson迭代解法得到广义变系数模型的局部非线性似然估计,进一步讨论了当连接函数为典则函数时迭代公式的具体结果,并辅以实例.     

空间自回归模型中系数变量及误差项的贝叶斯估计

文章基于长三角地区26个城市10年间的空间面板数据,通过建立空间自回归模型,针对似然函数的复杂情况,分别采用马尔科夫链蒙特卡洛方法和近似贝叶斯计算进行贝叶斯推断。数值结果表明,服务业集聚度以及固定资产投资对于地区生产总值影响最大。通过比较两类方法的估计结果发现:马尔科夫链蒙特卡洛方法虽依赖于似然的核函数,对于先验超参数的设定更为敏感,且要求控制采样样本的自相关性,但可以高效地估计参数;而近似贝叶斯计算方法能够避免求解似然函数,对先验超参数的设定更稳固,同时也能有效地估计参数。     

平稳自回归模型的调整经验似然置信域

自回归模型在经济学及信息学等领域有广泛应用.其统计推断是统计学研究的重要问题之一.本文主要研究自回归模型的调整经验似然方法 .在Chuang和Chan利用自回归模型的条件最小二乘估计、通过得分函数构造的经验似然比统计量基础上,本文针对经验似然方法可能不存在解的情形构造了调整经验似然统计量,并证明调整后的经验似然比统计量的极限分布服从卡方分布.由此我们可以构造模型参数的调整经验似然置信域（区间）.最后,本文通过数值模拟比较了调整经验似然方法和经验似然方法的性能.结果显示,调整经验似然方法所得的区间估计具有更好的覆盖率.     

平稳的ARFIMA模型中参数的Whittle估计的纠偏

Whittle估计在时间序列分析中虽然是一种被广泛应用的频域方法,但这种方法下产生的参数估计往往具有较大偏差.基于Whittle估计给出ARFIMA模型中参数估计的三种纠偏方法.数值模拟证实了给出的方法有效地减小了估计的偏差.     

关于求估计量的常见方法的依据和关系的评议

<正> 一、问 题 众所周知,统计学里,求参数估计量的常见方法有矩法和极大似然法。往往碰上这样的情形,就是矩估计和极大似估计彼此为同一个,即极大似然估计只要是子样短函数,它就是矩估计。而矩估计是否为极大似然估计,需要加以论证,才能明白。那末什么样的分布族参数估计量具有这种“双重性”呢?就是说既是矩估计也是极大似然估计呢?有无相应的统一方法可求呢?通常认为极大似然法是以实际推断原理为依据的,这种提法是否成立?本文回答了这三个问题。介绍了一个求估计量的新法。     

半参数跳-扩散模型的近似极大似然估计——基于转移密度的闭式展开方法

首先,引入半参数跳-扩散模型,用闭式展开的方法得到转移概率密度的近似表达式,证明了转移密度的展开式收敛到真实的转移密度.然后,利用近似极大似然估计的方法对模型中的参数进行估计.针对时变参数和非时变参数,分两步进行估计:第1步,采用局部常数拟合对时变波动率参数进行近似,利用核函数加权的方法得到了时变参数的局部近似极大似然估计量;第2步,用传统的极大似然估计方法,得到了非时变参数的近似极大似然估计.最后,证明了所得估计量的渐近性质.     

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.     

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.     

漏缺数据平稳时间序列下的谱密度估计

在天文学和医学领域,非均匀抽样数据的谱什计已获得广泛研究.这些研究通常是在周期性的探测和决定性的信号环境里进行的.本文从另外的角度考虑估计漏缺数据平稳时间序列的谱密度,提出了一种渐近无偏的估计方法.使用模拟方法把它与古典周期图、LOMB周期图以及基于SVD的周期图进行对比,结果显示这种新方法很大程度上降低了偏差.     

MIMO-OFDM系统信号检测和信道估计算法

文章针对MIMO-OFDM系统提出了一种局域化的最大似然信号检测算法,通过调整每个发送天线信号集中的搜索点邻域大小,在计算复杂度与系统性能之间折衷。仿真结果表明,该信号检测算法显著降低了计算复杂度;同时提出了一种基于导频训练序列的信道估计算法,采用该算法得到的信道估计均方误差结果接近理论极限值,系统误码率非常接近已知信道频响情况的性能。     

平稳ARIMA(p,d,q)模型的经验似然推断

研究平稳ARIMA(p,d,q)模型的经验似然方法, 利用周
期图纵坐标I(ωj)的极限性质, 给出了参数的估计方程及Whittle’s估计因子, 并证明了
对数截面经验似然比统计量L(β)的极限分布是自由度为p+q+2的χ²分布, 同时给出了模
型参数的置信域.     

非均匀阵元噪声条件下的近场声源定位

针对常规定位方法在空间非均匀高斯噪声背景下近场声源定位性能下降的问题,基于平面阵建立了近场声源信号模型,推导了空间非均匀阵元噪声条件下求解声源方位和距离信息的最大似然定位方法,并使用连续空间蚁群优化算法,解决了该最大似然方法在多维参数空间搜索的高运算复杂度问题,通过仿真实验验证了该方法的可行性和有效性.仿真实验表明,该方法估计精度较高,在低信噪比下方位和距离均方误差都小于常规最大似然方法,并且在高信噪比条件下方位和距离的均方误差都逼近克拉美-罗界.     

基于蜜蜂交配优化算法的MIMO-OFDM系统上行多用户检测

针对上行MIMO-OFDM系统多用户检测(Multi-User Detection, MUD)问题,提出了一种基于蜜蜂交配优化(Honeybees Mating Optimization, HBMO)算法的新方法。该方法通过模拟蜂群的交配过程和蜂王的不断进化来实现全局寻优;同时,该方法为了避免陷入局部最优解,在工蜂哺育阶段,采取邻域搜索。仿真结果表明,该方法在取得较优检测性能的同时,其计算复杂度却远远低于最大似然(Maximum Likelihood, ML)检测算法。     

基于自适应模糊神经网络的机器人路径规划方法

为了解决传统反应式导航中的复杂陷阱问题,优化导航控制,减少计算复杂度,提出了基于自适应模糊神经网络的机器人导航控制及改进型虚目标路径规划方法.首先根据移动机器人运动学模型,融合神经网络的自主学习功能与模糊控制的模糊推理能力,提出了基于自适应模糊神经网络的机器人导航控制器,将生成的Takagi-Sugeno型模糊推理系统作为机器人局部反应控制的参考模型.该自适应模糊神经网络控制器实时输出扰动角度,在线调整移动机器人的预瞄准方向,使移动机器人能够无碰撞趋向目标.然后,提出了一种改进型虚目标方法,优先选择机器人可能逃脱陷阱状态的路径,简化了设计难度,改变了虚目标切换方式,避免了大量复杂计算.实验结果表明,提出的方法可以帮助机器人在全局信息未知的复杂环境中导航,在趋近目标点的过程中能有效避障,无冗余路径产生,且轨迹平滑.     

基于引力搜索算法的相干信号源DOA估计方法

针对最大似然(ML)DOA估计方法存在着运算量高且容易收敛到局部极值的问题。结合引力搜索算法(GSA)与最大似然方法,提出了一种GSA-ML方法。将最大似然函数作为GSA算法的适应度函数,在遵循ML方法的主体思想同时,利用GSA算法运算量低和收敛速度快的优点,成功地找到似然函数的全局最优解;并保存了ML方法的优点。仿真结果表明,GSAML方法不仅能有效估计相干信号源;并且相比MUSIC、ESPRIT和TLS-ESPRIT算法,拥有更高的精度和估计成功概率。     

基于MM-算法的局部常数核加权分位数回归估计及应用

提出了一种新的基于MM-算法的局部常数核加权计算法,使用该方法得到的分位数回归估计曲线在比较弱的条件下是连续光滑的．讨论了核方法中协调参数的选取问题．最后,数值模拟和实证研究的结果表明,利用所提出的计算方法所得到的非参数曲线估计在重尾误差的情况下具有一定的稳健性．     

循环谱密度估计的最大似然滤波器法

针对周期平稳随机过程的循环谱密度的估计过去主要采用时域平均周期图法和频域平滑周期图法,特别归短数据时,上述方法的分辨率很低,方差极大,提出了循环谱密度估计的最大似然滤波器法,并作了改进。该方法不仅具有很高的分辨率,而且估计的方差也很小,具有较好的估计性能。