用高斯－牛顿法确定暴雨公式参数

传统的方法推求不能线性化的暴雨公式中的参数，往往分成两步：先求单一重现期的参数，然后再求各重现期的综合参数，参数推求全过程需图解试求、反复调整，最后求碍的参数并不是最佳拟合参数，本文用高斯－牛顿法推求暴雨公式的参数，实现了参数推求的一举寻优，算例表明，方法实用可行，使用此方法，使拟合精度显著提高。     

利用神经网络预测油气层损害

利用人工神经网络预测油气层敏感性参数，根据大港油田的油气层岩石物性参数、岩石学分析参数以及油气层岩石敏感性参数等历史资料，训练神经网络，以此神经网络预测某些油气层的敏感性参数，该方法能迅速、准确地预测未来指定油气层的敏感性参数，为保护油气层提供依据。     

用高斯—牛顿法确定暴雨公式参数

传统的方法推求不能线性化的暴雨公式中的参数，往往分成两步：先求单一重现期的参数，然后再求各重现期的综合参数，参数推求全过程需图解试求、反复调整，最后求得的参数并不是最佳拟合参数，本文用高斯－牛顿法推求暴雨公式的参数，实现了参数推求的一举寻优，算例表明，方法实用可行，使用此方法，使拟合精度显著提高。     

基于最小二乘迭代威布尔分布的三参数估计

威布尔分布因其数学处理的便利性和适应性而被广泛用于描述产品寿命，引入了位置参数的三参数威布尔分布是研究机械零部件可靠性最适合的模型之一，尤其适用于长寿命、高可靠性的产品。三参数威布尔分布的参数估计一直是关注的焦点，本文中提出了一种基于最小二乘的迭代方法对其进行参数估计，将初始位置参数设置为0，使用最小二乘法得到初始形状参数和尺度参数，将其代入位置参数的无偏估计得到新的位置参数，进行多次迭代，在此过程中形状参数和尺度参数逐渐变小，位置参数逐渐变大，最终获得稳定的形状参数、尺度参数和位置参数，即为最终的参数估计值，并计算可靠度为99%的寿命。通过蒙特卡洛（Monte Carlo）仿真证明此方法是收敛的，并在不同的威布尔模型、不同中小样本量（样本量为10、15、20、25和30）下，使用偏差（Bias）和均方差根（RMSE）两个指标与相关系数法进行对比，此方法估计的3个参数及可靠度为99%的寿命更加准确。通过两个实例分析，表明该方法具有可行性和有效性，估计结果与相关系数法相比更加保守，更适于工程应用。     

双参数 C-半群及其应用

引入单参数C-半群和双参数C0-半群，给出了更一般的双参数C-半群的定义，得到了双参数C-半群的全微分、偏微分和稳定性，给出了双参数C-半群与一类抽象微分方程解的关系。     

基于RBF神经网络的水文地质参数识别

水文地质参数识别问题是水文地质学上的一个难题。针对传统水文地质参数识别方法的局限性，提出了水文地质参数识别的径向基函数(RBF )神经网络方法，并通过算例验证了它的可行性与有效性，实现了水文地质参数的自动识别，提高了计算效率，比BP神经网络具有更好的参数识别效果。     

利用神经网络预测油气层损害

利用人工神经网络预测油气层敏感性参数，根据大港油田的油气层岩石物性参数，岩石学分析参数以及油气层岩石敏感性参数等历史资料，训练神经网络，以此神经网络预测某些油气层的敏感性参数，该方法能迅速，准确地预测未来指定油气层的敏感性参数，为保护油气层提供依据。     

厄尔尼诺-南方涛动影响下月尺度水文模型参数可移植性

以浙江省3个流域作为研究对象，采用两参数月水量平衡模型（XM模型）和四参数月水量平衡模型（ABCD模型），结合极大似然不确定性估计方法（GLUE）对水文模拟的不确定性区间进行估计，在此基础上，研究不同模型在ENSO（厄尔尼诺-南方涛动）和不同流域地理情况下的参数移植能力。结果表明，厄尔尼诺时期的参数移植至拉尼娜时期，模型模拟效果要略好于拉尼娜时期的参数移植至厄尔尼诺时期；参数少的模型（XM模型）参数移植合格率要优于参数多的模型（ABCD模型）；相邻流域间的参数移植效果要明显优于距离较远的流域；ABCD模型具有更好的空间可参数移植能力。     

基于数据集元特征的超参数优化方法

超参数优化问题一直是自动化机器学习研究的重点问题，针对特定的需求建立机器学习模型，需要调整大量的超参数。其中，超参数组合形成了大规模的超参数搜索空间，从而需要大量的运行时间。然而，有效探索大量超参数组合具有一定的挑战，现有的自动化超参数优化方法时间复杂度很高。为此，利用相似数据集的最优超参数区间的历史知识，提出了一种基于数据集元特征的超参数优化方法。首先，使用自动化机器学习系统寻找最优超参数的区间范围，然后对历史数据集元特征采用递归特征消除法进行特征提取作为特征向量，将此特征向量与最优超参数区间的对应关系利用XGBoost算法建立预测模型，并使用该模型预测新数据集的最优超参数区间。对OpenML平台的数据集进行实验，结果表明该方法预测的最优超参数区间的精度达87%。同时，把此预测区间作为自动化机器学习系统的搜索空间范围，在很大程度上缩短了运行时间，且确保一定的性能。     

产品级参数化设计方法研究

参数化设计已成为产品设计的重要方法，参数化设计主要分为零件级参数化设计和产品级参数化设计。零件级参数化设计已经在设计中广泛使用了，但是产品级参数化还在探索过程中，本文主要是把杂交思想应用到产品级参数化建模过程中，更够更好的加快产品的设计和更新周期。     

无偏预测理论在经验贝叶斯分析中的应用

从预测理论角度考虑了参数的经验贝叶斯估计问题。对正态总体下的估计问题进行了详细的讨论。证明了所给出的经验贝叶斯估计量是最优或条件最优无偏预测量。     

贝叶斯方法在具有隐蔽数据的冷贮备系统中的应用

对于由部件寿命服从指数分布及成败型开关组成的冷贮备系统,在针对一隐蔽实验数据下,研究了该系统可靠性指标的Bayes估计.在超参数未知,平方损失函数下给出了两个参数及可靠性的Bayes估计.对于超参数的确定,给出了一种新的方法,最后给出了系统可靠性的Bayes近似置信限的计算公式.     

基于对称熵损失和记录值的一类分布族参数的估计

在对称熵损失函数下,基于记录值样本,得到了一类分布族参数的Bayes估计和经验Bayes估计,并讨论了一类逆线性(cT+d)-1形式估计的可容许性和不可容许性.     

线性混合模型中方差分量的经验Bayes估计的收敛速度

在加权平方损失下导出了含有2个方差分量的线性混合模型中方差分量的Bayes估计，利用多元密度函数及其混合偏导数的核估计方法构造了方差分量的经验Bayes（EB）估计，在某些条件下获得了该估计的收敛速度。     

基于双边删失数据生存函数的非参数Bayes估计

关于参数估计问题,Bayes方法已经得到了广泛的研究,而在非参数估计问题中Bayes方法仅仅从1973年才开始受到注意,Ferguson将Dirichlet过程先验应用于多种函数及统计量的非参数Bayes估计。在此基础上,针对右删失数据,Susarla和Van Ryzin,Tsai研究了生存函数的非参数Bayes估计问题。本文进一步讨论了在双边删失场合下生存函数的非参数Bayes估计及相应的大样本性质。     

非对称损失函数下逆指数分布参数的Bayes估计

针对逆指数分布的估计问题,在参数的先验分布为无信息Quasi先验分布下,得到了平方误差、LINEX损失和熵损失函数下参数的Bayes估计。最后,通过各估计在平方误差损失函数下的风险函数的比较给出本文的结论。     

关于一类线性经验Bayes估计及其收敛速度

构造参数θ的一类线性 Bayes估计 ,并给出渐近最优的收敛速度     

基于记录值的几何分布模型的Bayes可靠性分析

针对来自几何分布的记录值样本,研究可靠度参数的Bayes估计问题.首先给出可靠度的最大似然估计和最小方差无偏估计;在可靠度参数的先验分布为贝塔分布、损失函数为平方误差损失和一类新的加权平方损失函数下,导出了可靠度的Bayes估计;最后通过Monte Carlo数值模拟例子说明论文给出估计的有效性.     

具有部分缺失数据的两个二项分布的估计

讨论了部分缺失数据下两个二项分布成功概率的Bayes估计以及总体参数的估计,证明了总体参数估计量的强相合性与渐近正态性.     

Esscher保费原理下信度估计的比较

在Esscher保费原理下建立了信度模型,得到在Esscher保费原理下,风险保费的Bayes保费、Bayes估计、信度保费与信度估计.比较了这几个估计的异同,并证明了这些估计的相合性.最后,用模拟方法验证了相应的结论.