Bayes条件下非线性模型的参数置信域的曲率表示

给出了Bayes条件下非线性模型的参数估计,建立了该模型的几何结构,推广了Bates&Wates关于非线性回归模型的几何框架,在此基础上,用几何方法探讨了关于参数与子集参数置信域的曲率表示.     

泊松分布参数的整数幂的联立估计和广义Bayes估计

研究了在独立样本下泊松分布参数的整数幂的联立估计。在二次损失假定下,证明了其无偏估计的改进估计和广义Bayes估计都优于无偏估计。     

贝叶斯框架下泊松分布参数的估计

在给定的泊松样本X1,X2,...,Xn下,研究了泊松分布参数λ的贝叶斯估计问题.在p,q对称损失函数L(λ,δ)=(λ/δ)p+(δ/λ)q-2(p,q∈Z+)下,得到了参数λ的贝叶斯估计的精确形式并讨论了它的可容许性,最后研究了参数λ的最大后验区间估计.     

泊松分布参数的区间估计

本文讨论了泊松公布与Γ分布的联系,并通过X~2分布的分位点表示泊松参数的置信限。     

贝叶斯框架下泊松分布参数倒数的估计

在给定的一组泊松样本下,研究了泊松分布参数倒数的贝叶斯估计问题,得到了它的贝叶斯估计的精确形式,并讨论了它的可容许性,最后给出了它的贝叶斯置信下限的表达式以及最大后验区间估计的精确形式.     

复杂网络社区的抽样概率分布估计检测算法

针对复杂网络密集区域(社区)存在大量节点及稀疏网络,传统方法性能无法满足检测指标要求的问题,提出一种复杂网络社区的抽样概率分布估计检测算法.首先,针对社区检测方法中数学模型不够精确导致正确发现社区数量不足的问题,基于模块化密度(D值)提出一种无需先验知识的混合整数非线性社区检测模型;其次,针对该模型优化的NP难问题,采用Gibbs抽样概率模型,提高分布估计种群的普适性,并为优秀个体构造抽样学习样本,提高算法的优化性能;最后,通过在标准测试函数及复杂网络社区检测应用中验证了所提算法的有效性.     

定时截尾试验下可靠性的经验Bayes估计

讨论定时截尾试验下可靠性的经验Bayes估计,给出了失效率λ的EB估计和近似区间估计。该方法简单方便。     

泊松方程矩形域的付氏解

本文应用分离变量法,求出了一个泊松方程矩形域上的付氏解.     

Ⅱ型截尾情形下泊松分布参数的估计

利用Jensen不等式和Slutsky定理, 讨论Ⅱ型截尾情形下泊松分布参数λ的极大似然估计问题, 证明了估计的强相合性和渐近正态性, 并给出估计的进一步渐进性质.     

负二项分布可靠度的经验Bayes估计

在平方损失函数下,获得了负二项分布可靠度θ的Bayes估计,在一般条件下,利用其边缘分布的特性,构造了相应的经验Bayes估计,并证明了得到的EB估计是相合的渐近最优的.     

IIRCT下泊松分布参数单变点的贝叶斯估计

首先通过添加数据得到了带有不完全信息随机截尾试验下泊松分布的完全数据似然函数,然后研究了变点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对参数进行了估计,最后进行了随机模拟,试验结果表明参数贝叶斯估计的精度较高.     

混合泊松随机变量随机强度的贝叶斯估计

研究用混合泊松随机变量的观察值来估计其随机强度的问题.给出一类混合泊松分布类的随机强度的贝叶斯估计特征刻划,进而把混合泊松分布类的随机强度的贝叶斯估计特征刻划拓广到较一般情形,拓广了Johnson的工作.     

三维双极欧拉泊松方程解的逐点估计

主要研究半导体器件和等离子体中一类三维双极欧拉泊松方程．当初值是一个定常状态附近的小扰动时,通过对格林函数的分析和对应的能量估计,给出了初边值问题的光滑解的逐点估计;其次,也得到了解的最佳Lp衰减率．     

绝对误差损失下的Bayes估计

本文研究在绝对误差损失下的Bayes估计,并得到一般形式的定理。     

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)).     

关于参数矩阵的线性经验Bayes估计

设X为p×q随机矩阵,θ为p×q参数矩阵,且θ有先验分布G(Vec(θ)),给定θ,X有条件密度f(Vec(X)｜Vec(θ)).选取矩阵损失L(D(X),θ)=(D(X)-θ)′(D(X)-θ),并在风险矩阵的迹的大小比较标准下讨论θ的线性经验tr Bayes估计及其渐近性质.获得经验tr Bayes估计D tr(X)= X+U(X- X),及具有o(N-1δ-2N)的渐近收敛速度.     

二项分布的几种经验Bayes估计方法

讨论了4种二项分布的经验贝叶斯估计,并通过实例比较了这4种方法的优缺点.其中参数化方法缺点是要注意先验分布的选择;最小熵方法的缺点是只能采用数值解法;线性经验贝叶斯方法的优点是不需求出先验分布,结果简明,便于应用,缺点是需要估计局限于样本x的线性函数;条件期望法的优点是不必考虑先验分布的类型、参数等,只需要有充分多的“经验”样本.     

双参数情形的经验Bayes估计近似算法

该文给出了双参数情形利用线性经验Ｂａｙｅｓ估计公式估计待估参数的近似算法，并以正态分布为情形给出具体的计算形式．     

基于记录值的GE分布参数的Bayes和经验Bayes估计

针对来自广义指数(GE)分布的记录值样本,研究了广义指数分布的参数的估计问题.首先给出了参数的最大似然估计;在参数的共轭先验分布为贝塔先验分布,损失函数为平方误差损失和LINEX损失函数情形下,导出了广义指数分布参数的Bayes和经验Bayes估计.最后进行了Monte Carlo数值模拟,对本文提出的几种参数估计进行比较,发现在合适的先验分布条件下Bayes和经验Bayes估计值更加接近参数真实值,因此在适当的先验分布下Bayes估计和经验Bayes 估计较传统的最大似然估计好.     

缺失数据场合泊松分布参数的贝叶斯估计

本文给出了缺失数据场合泊松分布参数的经验贝叶斯估计、无信息先验下的贝叶斯估计且基于贝叶斯风险进行了比较.