贝叶斯网络中的贝叶斯学习

从机器学习的角度研究贝叶斯方法及其学习机制,着重讨论了具有完整数据,不完整数据集,及在结构不确定时贝叶斯网络进行学习的方法,表明贝叶斯网络在数据采掘中是一个有力的工具。文中给出一个基于贝叶斯网络的学习的实例。     

同分布NA序列更新过程的渐近正态性

讨论了一般的同分布NA随机变量列更新过程的渐近正态性问题,并将强平稳NA列作为一个推论,得到了其更新过程的相应结果.     

贝叶斯网络中的贝叶斯学习

从机器学习的角度研究贝叶斯方法及其学习机制,着重讨论了具有完整数据、不完整数据集,及在结构不确定时贝叶斯网络进行学习的方法,表明贝叶斯网络在数据采掘中是一个有力的工具,文后给出一个基于贝叶斯网络的学习的实例。     

双向截尾情况下最大似然估计的渐近正态性

本文讨论了左截断右删失情况下最大似然估计的大样本性质，在一定的条件下证明了最大似然估计具有渐近正态性。     

污染数据半参数模型估计的渐近正态性

对固定设计下的污染数据半参数模型估计的渐近分布进行了研究,并在一定条件下证明了该估计具有渐近正态性.     

回归分析中自协方差估计的渐近正态性

文中证明了回归——时间序列混合模型 y_1=β_1x_(t1)+β_2x_(t2)+…+β_px_(tp)+(ut) 其中u(t)为线性过程;中线性过程u(t)自协方差估计的渐近正态性     

多参数的变换矩估计的相合性及渐近正态性

基于「１」将参数的变换矩估计的相合性及渐近正态性推广到多参数情形。     

关于回归函数的核估计的渐近正态性

研究了回归函数的核估计的渐近性质。证明了在一定条件下、回归函数的核估计序列是渐近正态的。     

混合误差下回归函数小波估计的渐近正态性

研究了误差为混合序列时,固定设计下非参数回归模型的小波估计.在适当的条件下得到了估计的渐近正态性.     

递推密度核估计的渐近正态性

本文证明了递推形式的密度核估计在有限个不同点上联合分布的渐近正态性，同时也给出了密度核估计的相应结果。     

逆自相关函数G—谱估计的渐近正态性

本文证明了自回归滑动平均序列ARPA(p,q)逆自相关函数G-谱估计的渐近正态性。     

非参数回归模型误差分布的渐近理论

讨论了非参数回归误差分布的收敛速度、渐近正态性及重对数律。     

ARMA模型MA参数的G－M估计及其渐近正态性

本文利用样本逆自相关系数给出ＭＡ参数的一种估计方法，并证明利用此方法求得的多数估计的渐近正态分布性质。     

部分线性模型的渐近性

考虑Ｙｉ＝Ｘ＾ｔｉβ＋ｇ（ｔｉ）＋εｉ，１≤ｉ≤，忱里Ｘｉ是一固定设计点列，ｔｉ是独立同分布随机变量并且服从［０，１］上均匀分布。     

非线性Bayes动态模型的研究

对正态误差下的非线性Bayes动态模型进行了处理．对模型分观测误差已知和未知常数两种情况进行了研究，利用Taylor展开来近似参数分布，并引入E—M算法，完成了模型的修正、递推。     

基于Rough Set的贝叶斯网络结构学习研究

Rough Set理论与方法是处理复杂系统的一种有效方法,但未能包含处理不精确或不确定原始数据的机制,与贝叶斯网络等不确定性理论有很强的互补性.本文提出基于Rough Set理论的贝叶斯结构学习方法,把Rough Set理论与贝叶斯网络相结合,通过属性约简简化贝叶斯网络结构变量,更好满足条件属性间的独立性限制,降低结构复杂度;同时,条件属性之间的依赖性决定贝叶斯网络变量之间的依赖关系和弧的方向.最后,通过算例说明该方法的应用过程.     

带有误差变量的偏度和峰度正态性检验

考虑带有误差变量的正态检验问题，提出了亲折偏度和峰度正态性度验统计量，证明了在零假设成立时，所提出的偏度和峰度检验统计量具有渐近正态的优良性质，模拟计算也表明所提出的检验统计量有良好的功效。     

具有闭射影的积空间的正规性

本文首先给出具有闭射影时乘积空间正规性的两个结果,以此为基础进一步讨论当一个空间为序空间时积空间的正规性。