自助法再生样本的获取方法研究

系统地比较了3种自助法再生样本的获取方法：经验分布函数法、改进的经验分布函数法和随机加权法。模拟结果表明,自助法再生样本最好的获取方式是改进的经验分布函数法,经验分布函数法次之,随机加权法最差。     

IIRCT下几何分布参数多变点的贝叶斯估计

首先通过添加数据得到了带有不完全信息的随机截尾试验下几何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方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,最后进行了随机模拟,试验结果表明各参数贝叶斯估计的精度都较高.     

IRCT下几何分布参数多变点的贝叶斯估计

首先通过添加数据得到了带有不完全信息的随机截尾试验下几何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方法得到了参 数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,最后进行了随机模拟,试验结果表明各参数贝叶 斯估计的精度都较高.     

MAR缺失机制下随机设计情形线性模型回归系数的估计

在响应变量满足MAR缺失机制下,研究了随机设计情形的线性模型回归系数的估计问题.分别讨论了基于观察到的完全样本数据对、基于固定补足后的"完全样本"和基于分数线性回归填补后的"完全样本"得到的回归系数的最小二乘估计的弱相合性、强相合性及渐近正态性.     

IIRCT下负二项分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到了带有不完全信息随机截尾试验下负二项分布的完全数据似然函数.给出了变点位置和其他参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样.详细介绍了MCMC方法的实施步骤,得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

缺失数据情形总体差异的经验似然置信区间

在一定的条件下证明了MAR缺失机制下不完全样本情形两非参数总体差异指标的经验似然比统计量的渐近分布为加权拍X2(1),由此可构造差异指标的经验似然置信区间.     

聚簇的分布式SVM算法优化

针对分层并行SVM算法采用完全随机划分方法生成的子样本集与原始样本集的分布情况存在偏差的问题,提出分布式k-means聚簇的导向随机划分方法。该方法并非将上一层的训练结果直接作为下一层的输入,而是使用k-means聚簇算法聚成下一层节点数N的不同簇,然后把每一簇样本再随机划分成N份,从每一簇中随机取出一份重新组合成下一层训练的N个子样本集,进而保证子样本集与原始样本集的分布情况具有相似性。结果表明,该方法既能有效提高学习能力,又能减少多次训练模型的抖动。     

基于远离中心线的打点分布设计判异准则

介绍了生产过程稳定与异常的基本概念,指出了稳定与异常的本质区别在于质量特性服从某一分布是否出现变化和控制图上是否呈现随机分布。异常的一种形式是样本打点超出控制限,这种情况的判异可由休哈特的著名判异准则"一点出限即判为异常"来解决;另一种形式的异常是样本打点没有超出控制限,但在控制域内呈现出单调排列、连续多个样本点上下交替变动以及样本点相对于中心线波动较大等打点分布不随机的现象。对于打点分布呈现出不随机的过程异常的判断问题,则选择相对于中心线波动较大的样本打点分布,设计相应的生产过程判异准则。     

左截断右删失数据下几何分布参数多变点的贝叶斯估计

首先通过添加数据得到了左截断右删失数据下几何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方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,最后进行了随机模拟,试验结果表明各参数贝叶斯估计的精度都较高。     

左截断右删失数据下伽玛分布参数多变点的贝叶斯估计

首先通过添加数据得到了左截断右删失数据下伽玛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(Markov Chain Monte Carlo)方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

同模型下数据缺失时线性回归模型反应变量均值的经验似然置信区间

在两独立总体具有相同的线性回归模型下,当第一总体的样本为完全样本,第二总体的反应变量完全缺失时,利用第一总体的样本信息,得到第二总体反应变量均值的经验似然置信区间.     

左截断右删失数据下几何分布参数多变点的贝叶斯估计

首先通过添加数据得到了左截断右删失数据下几何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方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,最后进行了随机模拟,试验结果表明各参数贝叶斯估计的精度都较高。
     

同模型下数据缺失时非参数回归模型反应变量均值的经验似然置信区间

在两总体具有相同的非参数回归模型下,当第一总体的样本为完全样本,第二总体的反应变量完全缺失时,利用第一总体的样本信息,得到了第二总体反应变量均值的经验似然置信区间.     

左截断右删失数据下指数分布参数多变点的贝叶斯估计

主要利用MCMC方法研究了左截断右删失数据下指数分布多变点模型的参数估计问题.通过筛选法和逆变换法得到了指数分布的完全数据,在获得各参数的满条件分布后,利用MCMC方法得到了Gibbs样本,把Gibbs样本的均值作为各参数的估计.随机模拟的结果表明各参数估计的精度都较高.     

利用正交Hilbert谱模拟非平稳随机地震动

基于样本记录正交HHT变换的Hilbert谱提出了非平稳随机地震动过程的模拟方法。 利用正交EMD法对IMF分量进行处理,克服了传统EMD分解存在能量泄漏的缺点,使正交HHT法可以精确分析非平稳信号的时频特性。在此基础上,把样本的Hilbert谱均值作为地震动随机过程的目标Hilbert谱,引入随机相位角来进行非平稳随机地震动过程的仿真,并且给出了随机过程的统计特性函数。通过对2个地震动记录的模拟,验证了模拟的地震动样本,能完全反映原记录强度和频率的非平稳特性,在时频分布上和原记录非常接近,具有相同的统计特征,并且模拟样本之间也具有良好的离散性。     

左截断右删失数据下对数正态分布参数多变点的贝叶斯估计

通过添加数据得到左截断右删失数据下对数正态分布的完全数据似然函数,研究了变点位置和其它参数的满条件分布.再利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,进行随机模拟,试验结果表明各参数贝叶斯估计的精度都较高.     

负相协样本多维边际密度的经验似然推断

研究负相协样本多维边际密度函数的经验似然置信区间的构造,证明了负相协样本多维边际密度函数的分组经验似然比统计量的极限分布为卡方分布,由此结果可构造多维边际密度函数的经验似然置信区间.     

左截断右删失数据下二项分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到了左截断右删失数据下泊松分布的完全数据似然函数.给出了变点位置和其它参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样.详细介绍了MCMC方法的实施步骤.得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

缺失数据下Logistic回归多变点模型的贝叶斯估计

利用随机的方法填充了缺失数据,获得了Logistic回归多变点模型的完全数据似然函数.研究了变点位置等未知参数的满条件分布.利用筛选法和Metropolis-Hastings算法对参数进行抽样,把Gibbs样本的均值作为参数的贝叶斯估计.随机模拟的结果表明估计的精度较高.     

IIRCT下二项分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到了IIRCT下二项分布的完全数据似然函数,给出了变点位置和其它参数的满条件分布。利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样。详细介绍了MCMC方法的实施步骤。得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计。随机模拟试验的结果表明各参数贝叶斯估计的精度都较高。