线性模型的新的两参数估计

基于最小二乘估计在复共线性存在时的不足,提出线性模型参数估计的一种新方法——新的两参数估计.首先,给出该估计的若干条基本性质——最小二乘估计的线性变换、具有有偏性、压缩性和可容许性.其次,在均方误差矩阵的意义下,证明该估计优于最小二乘估计和旧的两参数估计.     

复合LINEX对称损失下逆威布尔分布尺度参数的E-Bayes估计

在统计决策问题中,统计决策及参数估计的优劣性在很大程度上依赖于损失函数形式的选取.该文在复合LINEX对称损失函数下,求出先验分布为Γ分布,逆威布尔分布尺度参数θ的E-Bayes估计.     

广义对角岭型估计类

提出了具有岭型形式的一类回归系数的参数估计--广义对角岭型估计类.在线性模型的典则形式下此估计类仍是最小二乘估计的一个线性变换,具有有偏性和压缩性.同时还讨论了它的均方误差的形式,证明了在均方误差意义下,在某个椭球范围内它优于最小二乘估计,得到了该估计类的残差平方和的一个简单形式.最后指出该估计类其实是具有岭型形式估计类的统一形式.     

基于经验分布函数快速收敛的信噪比估计器

通过Kolmogorov-Smirnov检验，基于经验分布函数（EDF）的信噪比估计器在宽信噪比范围内对各种多级星座的信噪比估计都是有效的.然而，在本地累积分布函数（CDF）和EDF之间需要进行大量的匹配操作和加法运算.基于这个问题，提出了一种通过线性多项式连续迭代来加速匹配过程的信噪比估计器.在保证估计精度的前提下，使用"以直代曲"的思想，用线性多项式的根不断迭代逼近最大距离曲线的零点，并将零点所对应的信噪比作为接收信号信噪比的估计值.仿真结果表明，与原算法估计器相比，该方法的迭代次数减少了90%以上，降低了原算法的匹配复杂度和运算量.与现有降复杂度的估计器相比，该估计器具有更快的收敛速度和更好的估计性能.      

无不良符号的岭回归-岭回归K值的一种取法

本文以无不良符号为原则，利用二分法给出选择岭回归Ｋ值的一种方法．