广义I型逐阶区间删失混合Weibull数据的参数估计

源于有限混合总体的广义I型逐阶区间删失数据参数估计方法的研究不多,基于有限混合Weibull模型,讨论Expectation-Maximization(EM)算法对广义I型逐阶区间删失数据参数估计的有效性及其改进。首先给出估计参数的EM算法,通过仿真算例,说明EM算法对广义I型逐阶区间删失混合数据参数估计产生了过度迭代现象,进而,提出了停止EM算法的加权绝对偏差信息准则。改进的EM算法改善了EM算法无法确定参数估计停止迭代时刻的不足,在选择适当初值后,可快速获得满意的参数估计结果。仿真算例验证了该方法的有效性。     

利用ECM算法进行参数估计

在区间型数据条件下利用ECM算法对Weibull分布进行了极大似然估计.在得到相应的迭代公式后,进行随机模拟.根据模拟结果分析了此种算法在处理Weibull分布参数极大似然估计时的优越性.     

区间删失数据情形下GE分布参数的最大似然估计(英文)

讨论了样本数据为区间型数据时参数的最大似然估计问题.当数据为区间删失情形时,参数最大似然估计的精确表达式不存在,甚至近似解都很难得到.由于区间型数据是一种不完全数据,所以利用EM算法来求参数的近似最大似然估计.为了演示,提供了一个真实寿命数据分析的实例.     

家系数据紧密连锁位点的单体型频率估计

在对单体型进行重构或进行连锁不平衡分析时,往往首先要估计单体型频率.针对家系数据,提出了紧密连锁位点的单体型频率估计方法.利用子代信息减少亲代单体型的不确定性,构建家系数据的似然函数,把家系中的个体潜在的单体型看成缺失数据,采用EM迭代算法,给出了家系数据单体型频率的极大似然估计.其结果表明,家系数据紧密连锁位点的单体型频率估计可通过简单的递归迭代进行,后一步的单体型的频率估计即为前一步的加权单体型频率.     

一种迭代频偏估计算法

提出一种适于低信噪比条件下工作的数据辅助型(data-aided)频偏估计算法。计算接收信号自相关函数的辐角,基于最大似然策略合成频偏估计,并通过迭代消除估计模糊。仿真结果表明：迭代算法具有较大的频偏估计范围(估计范围达±40%符号速率),与M&M算法相比,迭代算法信噪比门限有接近3dB性能改善,其估计性能更接近FFT最大似然算法和克拉美-劳下界(CRLB),并且计算量有所降低;基于迭代算法的简化版本与迭代线性预测(ILP)算法相比信噪比门限更低,并且降低了计算复杂度。     

鲁棒区间回归分析的神经网络学习算法

在许多工程实践问题中，区间回归分析是处理区间数据的一个重要手段。文献中用神经网络实现的区间回归分析都假定给定的训练数据是无噪的。当训练数据被污染时，这些方法的性能将急剧下降。本文针对一种区间回归的神经网络实现方法，提出了两种新的神经网络学习算法，能够有效地从有噪训练数据里建立一个鲁棒式的非线性区间回归模型。所提出的学习算法充分利用了对训练数据质量的估计知识。仿真结果表明了这种方法的有效性。     

基于核密度估计的区间型数据聚类方法（英文）

聚类作为区间型数据挖掘的重要任务之一,在度量对象之间的相似度或距离方面面临着极大的困难。传统聚类方法扩展到区间型数据后,在度量对象之间的距离时往往只考虑到了区间型数据的边界,而忽略了区间型数据内部的信息。文章引入区间型数据的概率分布,希望通过相关的区间型数据来估计每一簇的概率密度函数。提出了一种新的基于区间型数据的核密度估计方法,然后利用新方法估计出的概率密度函数重新定义了对象之间的距离,最后提出了一种自适应的区间型数据聚类方法。实验结果显示了该方法是有效的,同时也表明用区间型数据的概率分布定义距离比用区间的端点定义距离更为合理。     

改进DCO-OFDM系统中的接收端检测算法

为了减轻DCO-OFDM系统中因截断噪声对误码率性能的影响,研究了上、下限幅截断系统的检测算法优化问题.分析了ML算法在DCO-OFDM中不适用的原因,提出ML迭代算法和权重因子ML算法:ML迭代算法通过对残留限幅噪声的迭代估算更新原始估计序列,得到ML算法的析出信号;通过权重因子将限幅噪声高斯白化,使得最大似然估计检测算法满足最优线性估计条件,再通过迭代算法得出接收机析出信号.文中提出的2种算法虽然复杂度高,但相比于M L算法具有更好的链路误码率性能.     

基于逐步区间删失数据Rayleigh分布的参数估计

基于逐步I型区间删失样本,通过求解似然方程,并不能得到未知参数的极大似然估计,采用Newton-Raphson解法得到了极大似然估计的近似解。用EM算法得到了参数估计的迭代公式,通过数值模拟把这两种估计进行了比较,结果表明两者非常接近,EM算法对初值的选择比较灵活,因此更加方便。     

一种基于区间核的聚类算法

针对传统聚类算法无法解决区间型数据聚类的问题,文章提出一种基于区间核的聚类算法(Clustering method based on interval kernel,IK-clustering,IK-C)。该方法首先求解区间型数据的区间中值和区间宽度,结合区间宽度和区间中值构造区间核,并采用平衡因子调节二者所占的比重,以有效衡量两个区间型样本的相似性,从而构造区间数据聚类算法。实验结果表明,文章提出的基于区间核的聚类算法在聚类均方差测度上比传统其他区间型数据聚类算法减小了0.019-0.132,说明本文提出的方法能够对区间型数据进行更为有效的聚类,得到了较好的聚类结果。     

区间删失数据下参数估计的比较

主要讨论了寿命分布为指数分布时区间删失数据的参数估计。在I型删失情况下得到了参数的Bayes估计和矩估计。进而,利用数值模拟的方法比较了Bayes估计和矩估计的优劣。     

Burr Ⅻ部件相依屏蔽数据系统的可靠性分析

考虑相依串联屏蔽数据系统的可靠性分析问题. 首先, 在部件寿命服从Burr Ⅻ 分布的情形下, 通过引入Copula函数建立部件寿命变量之间的相依结构, 以及相依串联屏蔽数据系统的可靠性模型, 并推导出串联系统的一些概率结果; 其次, 基于逐步Ⅱ型截尾的系统失效数据, 得到模型参数的极大似然估计, 并基于渐近正态性理论和bootstrap抽样算法, 构造模型参数的渐近置信区间及偏差校正的百分位bootstrap置信区间; 最后, 进行仿真模拟和真实数据分析, 结果表明, 该模型方法对相依屏蔽数据系统的可靠性分析可行且有效.     

删失数据威布尔分布参数的贝叶斯统计分析

主要讨论了当寿命分布是威布尔分布时删失数据的贝叶斯统计分析方法．在考虑尺度参数先验取为逆伽玛分布而形状参数先验分别取为离散分布和均匀分布条件下给出了多种删失数据场合参数的贝叶斯估计;同时为使得计算更为简便,给出了计算贝叶斯估计的Gibbs抽样方法．模拟结果表明给出的方法是有效可行的．     

部分区间删失数据下广义指数分布的参数估计及应用

考虑部分区间删失数据, 当时间变量服从广义指数分布时, 在尺度参数是否受协变量影响下建立两种模型, 再对模型参数进行极大似然估计, 并用Newton-Raphson算法求解参数估计值. 模拟实验和实例分析结果验证了模型的有效性.     

双边定时截尾下Pareto分布的参数估计

在双边定时截尾样本下,用极大似然法求Pareto分布中形状参数的估计,由于似然方程较复杂,无法得到参数的显式表达式,但是可以证明极大似然估计是唯一存在的. 由于EM算法是处理缺损数据的一种有效方法,因此利用该算法来求参数的估计问题.用EM算法得到了形状参数估计的迭代式,借助Louis遗失信息原则得到了估计的渐近方差,根据中心极限定理得到了形状参数的近似置信区间.随机模拟结果表明形状参数的EM估计收敛到其极大似然估计.实例给出了不同样本下参数的点估计和区间估计.     

无失效数据的EM算法

在可靠性统计的定时截尾寿命试验中,最后一个失效时间与定时截尾时刻之间的信息常被忽略.本文利用EM算法来处理这一情形.先用已知数据来估计出未观察到的潜在数据,进而得出可靠性指标的估计.并将EM算法与极大似然估计及修正极大似然估计进行了比较,可以明显看出EM方法优于后两者.最后将EM算法推广到无失效数据情形下,得出无失效数据下的指数分布平均寿命的一个估计.     

随机删失数据下基于EM算法的Weibull分布参数估计

生存分析中的观测数据具有样本小、数据随机删失的特点．而目前处理这类问题所使用的参数估计方法并不理想．作者基于EM算法给出随机删失数据下Weibull分布的参数估计方法。证明了估计量满足一个非线性方程组，并用实例表明了此方法的有效性．     

Weibull分布CE模型序进试验下逐次截尾的统计分析——应力为时间的一般线性关系

针对累积损伤模型,在序进应力下给出了逐次截尾试验下两参数Weibull分布在阿伦尼斯方程下和逆幂律方程下的极大似然估计．通过Monte-Carlo模拟考察了参数估计的精度,结果表明随着样本的增大,估计的精度逐渐提高．同时,在总样本量相同的条件下,截尾样本个数较小时,估计的精度有所提高．     

左截断右删失数据下尺度参数与协变量相关时广义指数分布的估计及应用

在左截断右删失数据类型下,当时间变量T服从广义指数分布时,针对尺度参数是否受协变量影响建立两种模型,并用极大似然估计法给出参数估计,用Newton-Raphson算法求解参数估计.将两种模型分别应用到变压器寿命数据集和Channing house数据集中,得到了其生存函数和风险函数.     

不完全数据情形下指数分布参数的最大似然估计

处理生存分析观测数据使用的参数估计方法有很多,极大似然估计法是最常见的一种估计方法。当寿命分布为指数分布时,本文给出了定时截尾数据、定数截尾数据情形的极大似然估计,以及随机右删失下参数极大似然估计的一般表达式。此外,论文还提出了分组数据场合参数极大似然估计的图解求法。