Ⅱ型区间数据下Gamma分布的参数估计

本文讨论了Ⅱ型区间数据下Gamma分布的参数估计问题，并证明了得到的估计量具有相合性。     

不完全数据参数估计的α-EM算法

利用信息论中计算熵率的α-EM算法给出了一种不完全数据参数估计的新方法．与GEM等传统的EM算法相比，α-EM算法有更快的收敛速度，但作为补偿形式会复杂一点．     

不完全数据参数估计的以α-EM算法

利用α—EM算法给出了一种不完全数据参数估计的新方法，与GEM等传统的EM算法相比，α—EM算法有更快的收敛速度，但作为补偿形式会复杂一点。     

不完全数据参数估计的α-EM算法

利用α-EM算法给出了一种不完全数据参数估计的新方法,与GEM等传统的EM算法相比,α-EM算法有更快的收敛速度,但作为补偿形式会复杂一点。     

一类混合正态分布参数估计的EM算法和数据扩张

从解析的角度得到混合正态分布参数的ML估计是很困难的.通过引入“缺失数据”,利用Little和Schluchter（1985）提出的处理分类和连续数据的方法,给出具有相同协方差阵的混合正态分布参数估计的EM算法和数据扩张算法.     

EM算法在基于区间数据的加速寿命试验统计分析中的应用

在步进加速寿命试验中,当寿命服从广义指数分布且获得的数据是区间数据时,给出试验安排,并通过各应力下产品失效机理保持不变等几个基本模型假定,得出各应力水平下形状参数相等的结论以及不同应力水平下的试验时间t_1-t_0,t_2-t_1,…,t_(i-1)-t_(i-2)折算到某一应力水平下的时间τ_(i-1)的折算公式,进而得出求相关参数的极大似然估计的隐性表达式。进一步讨论利用EM算法求解,先由E步求出期望,再由M步求出使得期望极大化的点,给出具体的迭代过程。最后采用Monte Carlo数据模拟方法分别在大样本和小样本场合下给出了参数真值的估计值,结果表明,该方法在大样本场合下更具有效性。     

基于EM算法的无失效数据的参数估计

利用EM算法,在无失效数据样本下,对指数分布和Weibull分布的参数进行估计,得到了参数所满足的非线性方程或方程组.并利用EM算法的收敛性,保证用迭代的方法得到的非线性方程或方程组的近似解,正是收敛于参数真值的估计.最后对实际数据进行模拟计算,得到了合理的结果.     

认知诊断模型参数估计算法比较

该文在不同条件的组合下考查了EM算法和MCMC算法对3种常用的认知诊断模型(DINA模型、DINO模型和G-DINA模型)的参数估计返真性问题.借助项目参数或作答概率分布的偏差、均方根误差、平均绝对离差以及被试的平均属性判准率等指标,评价这2类算法的表现.模拟研究结果表明:MCMC算法更适用于低质量题目、小样本、测验短的条件,而在其他条件下EM算法的表现与MCMC算法的表现相当.     

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．     

截断正态分布参数估计的EM算法

用ＥＭ算法解决了截断正态分布参数的估计问题．在Ｍ步计算时，对算法提出了修正．实例计算与计算机模拟表明，修正后的算法属于广义ＥＭ算法（ＧＥＭ算法）．     

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。     

有限混合模型的参数估计

利用EM算法对有限混合模型进行了参数估计,并结合具体实例进行了分析。最后利用EM算法对有限混合模型进行了模拟计算,结果充分显示出EM算法具有运算简单、收敛速度快的特点。     

Weibull分布在完全数据条件下的参数估计

在完全数据条件下对Weibull分布,分别使用Newton-Raphson算法、CM算法进行完全数据Weibull分布参数的极大似然估计计算,并且在得到相应的迭代公式后,进行随机模拟,从模拟结果来分析这两种算法在处理Weibull分布参数的极大似然估计的优良性.     

基于EM算法的高斯混合密度参数估计

描述最大似然参数估计问题,介绍如何用EM算法求解最大似然参数估计.首先给出EM算法的抽象形式,然后研究EM参数估计方法的一个应用:求高斯混合密度的参数.推导出高斯混合密度参数的迭代公式.     

退化数据分析的EM算法(英文)

提出了用EM算法对产品可靠性进行分析.在退化模型中,当随机效应服从指数族分布时,推导了参数估计的一般公式并且通过模拟评价了随机效应分布选取的敏感性.最后分析了两个实际例子.     

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.     

结构化EM算法在小样本贝叶斯网络学习中的应用

在贝叶斯网络学习中,合理数据集的存在可以大大降低贝叶斯网络学习对知识工程的过多依赖.但当数据集中样本数量不够大时,可能没有足够多的样本甚至不存在样本来代表变量间的某些条件独立关系,从而无法学习贝叶斯网络.将数据集修正与结构化-期望最大化算法相结合,得到一种有效的小样本上贝叶斯网络学习的方法,实验结果表明,该方法能够有效地进行小样本上贝叶斯网络学习.     

指数分布中参数估计的两类错误概率的EM算法

从理论上分析了指数分布中参数估计的两类错误概率的EM算法,给出了具体计算公式。