胫骨平台后侧髁骨折的手术治疗进展

通过综述胫骨平台后侧髁骨折的手术治疗进展,指出该类骨折的手术治疗目前仍处在临床病例报道阶段,后内侧和（或）外侧入路在治疗该类骨折中表现出其优越性,内固定植入物的研制及复位固定的生物力学研究仍是目前面临的课题。     

MCMC方法在估计二元随机波动率模型中的应用

金融数据的波动性一直是经济学研究的热点问题之一,随机波动率模型(SV)在波动率建模中有着重要的应用.马尔科夫链蒙特卡罗(MCMC)方法是估计参数的一种有效方法,给出估计一类二元SV模型参数的MCMC算法,并通过WinBUGS软件编程实现了该算法.文章最后给出了模型和程序的一个实际应用.     

Gamma分布参数多个转变点的Bayes推断

利用Ｂａｙｅｓ原理,研究了一类广泛应用的Ｇａｍｍａ分布密度函数中含有多个转变点的变结构问题,并给出了转主点的Ｂａｙｅｓ推断一般公式。通过变化点后验边缘概率的比较给出变点诊断并获得变点估计,最后的仿真结果表明了所提方法的有效性。     

基于集中式MIMO雷达的功率带宽联合分配算法

针对集中式多输入多输出雷达对多目标进行跟踪的问题,提出一种基于后验克拉美罗下界的功率和带宽联合分配方法。该方法首先对各目标位置误差的后验克拉美罗下界进行预测,将克拉美罗下界构建为代价函数建立优化模型,从而将资源分配问题转化为求解非凸优化问题;而后运用凸松弛技术和循环最小化算法对该非凸优化问题进行求解;最后通过仿真验证所提算法的有效性。结果表明,与另外3种分配算法相比,所提算法在多种场景下均能有效提高目标跟踪精度。     

基于SVM分类的边缘提取算法

通过分析同类数据点在空间中的几何形态,从数据点集所构成几何形态的凹凸性着手,提出边界提取算法并对高维数据进行分类。针对现实生活中的高维数据,利用局部线性嵌入将数据进行降维处理,得到低维特征数据。在此基础上,对于单分类数据集,用数据集表面的点的近邻样本与过该点的切平面之间的关系寻找边界点;对于多分类数据集,利用贝叶斯后验概率来寻找边界重复的点,以此更快达到提取边界点的目的。由此可以粗略筛选出边界点。为去除不重要的边界点,降低分类误差,通过构造最优超平面和支持向量机对边界点赋予权重,并设置阈值去除不重要的边界点,由此达到用较少的边界点准确分类数据的目的。通过100个测试样本进行分类测试并计算其分类准确率,验证了此分类方法的可行性。     

基于Bayes决策的蚁群优化算法

基于Bayes决策理论,提出了一种可以改进蚁群算法搜索性能的有效方法;针对基本蚁群算法中存在的"停滞"现象,对蚂蚁个体的寻优过程采取了隔代强化的措施,使算法具备较强的发现新解的能力,再采用后验分析对蚁群算法中的转移概率进行调整,使得改进后的蚁群算法在随机搜索过程中呈现出自组织特性,蚂蚁个体利用各自的后验知识不断地强化那些能"经受考验"的可行解,从而有效地压缩了搜索空间,提高了搜索效率.试验结果表明,该方法无需知道转移概率的先验分布,在解空间的全局寻优时具有良好的收敛性和鲁棒性.     

协整体制转换模型的参数估计

研究了协整体制转换模型的贝叶斯估计,利用贝叶斯定理和Gibbs抽样技术,实现了该模型的贝叶斯估计。结果表明：该方法可以精确地估计模型参数。     

三种预测模型的比较与研究

通过对某地区自然灾害造成的损失数据的预测,针对灰色预测模型GM(1,1)预测精度问题展开了一系列研究.采用直线插值法将非等时距数据进行等时距变换.通过后验差验算线性回归模型、指数回归模型和GM(1,1)模型的预测等级,验算结果表明指数回归模型的预测等级与GM(1,1)的预测等级都处于最优级,线性回归预测等级为不合格.为进一步研究GM(1,1)和指数回归预测模型的预测精度,将两者的预测相对残差绝对值进行对比分析,结果表明GM(1,1)整体预测精度比指数回归模型略高.     

基于特征点统计模型的联机签名校验

在联机签名校验中,动态时间规正(DTW)方法是一种常用的校验算法,在非线性时间对齐的基础上给出两个签名间的距离并进行判决,这样做经验的成份较多,缺乏统计基础。该文提出了签名的特征点统计模型,利用DTW算法在序列匹配的基础上从签名中提取到多个特征点,将每个特征点的变化情况描述为多维统计特征的概率分布,在所有特征点具有同样协方差分布的假定下得到具体的概率分布参数。按照此模型推导出了在最小风险准则下对签名进行真伪判决的判决准则。采用此方法对一个公共的签名样本库进行了真伪校验测试,得到了4.41%的等误率。     

用于预测的贝叶斯网络

通过示例给出了贝叶斯网络的构造方法，概括了贝叶斯网络的特点及贝叶斯网络学习的内容与过程，同时给出了离散型贝叶斯网络的预测公式。贝叶斯网络学习主要有三个基本环节，其一是确定变量集和变量域；其二是确定贝叶斯网络结构；其三是确定局部概率分布。贝叶斯网络是描述变量之间定性与定量依赖关系的图形模式，是进行数据联合分析与预测的有力工具。