Linex损失下Pareto分布参数的EB估计：PA样本情形

在Linex损失下,讨论了Pareto分布参数的经验Bayes（EB）估计.利用同分布PA样本下概率密度函数的核估计构造了参数的经验Bayes估计,建立了所提出经验Bayes估计的收敛速度.在一定的条件下该收敛速度可以任意接近于1.     

Linex损失下E·B估计的收敛速度

基于弱平稳同分布正相协（PA）样本,对一类单边截断型分布族在Linex损失下获得了位置参数的Bayes估计,并构造了相应的经验Bayes（E.B）估计,证明了该估计是渐近最优的并且获得了它的收敛速度,最后给出适合定理条件的一个例子.     

双指数分布位置参数的经验Bayes双边检验问题

讨论了双指数分布位置参数的经验Bayes（EB）双边检验问题.利用核估计的方法构造了EB检验函数,在适当条件下证明了EB检验函数的渐近最优性并获得了其收敛速度.     

平方损失下指数-威布尔分布参数的经验Bayes检验问题

通过研究平方损失函数下指数-威布尔分布的经验Bayes检验问题,对密度函数及其导函数采用核估计的方法构造参数的EB的估计,获得了检验函数的渐进性,最后在适当的条件下推导证明了其收敛速度.     

增长曲线模型回归系数的线性经验Bayes估计

给出了增长曲线模型参数矩阵的线性经验Bayes估计，同时得到了它的渐近最优的收敛速度。     

线性模型回归系数经验Bayes估计的收敛速度

本文首先在一般二次损失下作出多参数指数族参数θ的Baycs估计d_G(x)=A~(-1)(?)g(x)/(?)x/g(x),然后构造多元非密度式g(X)的混合偏导数的核估计,求出其收敛速度。进而求出多元向量函数(?)g(x)/(?)x的核估计的收敛速度。接着构造θ的经验Bayes估计,得到O(n~(-2)(rδ-1)/(2r+p))的收敛速度。最后把误差正态这样一类最常见的线性模型的回归系数EB估计归结为多参数指数族参数估计,它的收敛速度可以任意接近于1。     

Entropy损失函数下两参数指数威布尔分布尺度参数的Bayes估计及其性质

在Entropy损失函数下,利用构造多层先验分布的方法求出了指数威布尔分布参数的多层Bayes估计,然后根据经验Bayes估计的思想,利用密度函数的核估计方法,构造了参数的经验Bayes估计并证明了该估计的渐进最优性和可容许性,最后运用随机模拟,将其与平方损失函数下的Bayes估计以及极大似然估计(MLE)进行了比较,结果表明:Entropy损失下的Bayes估计较后两种估计好.     

线性混合模型中方差分量的经验Bayes检验

给出了含有2个方差分量的线性混合模型中方差分量的Bayes检验的判决函数,利用核估计的方法,构造了相应的经验Bayes(EB)检验的判决函数.在适当的条件下证明了EB判决函数是渐近最优的且有收敛速度.举例验证了定理的正确性.     

PA样本下刻度指数族参数的渐近最优的EB估计

本文在PA样本下研究刻度指数族参数的渐近最优的经验Bayes估计,在刻度平方误差损失函数下导出参数的Bayes估计,利用核估计的方法构造了参数的EB估计,并且证明这种估计的渐近最优性,最后给出一个例子.     

部分线性EV回归模型中的极大经验似然估计

针对带有协变量误差的部分线性回归模型的估计问题,利用经验似然方法,在一定条件下,证明了所得到的未知参数的极大经验似然估计具有渐近正态性．同时获得了非参数估计的最优收敛速度O_P(n~(-1/3))．     

改进的LMS自适应时延估计方法

针对传统的基于SINC插值的自适应时间延迟估计方法估计误差较大、收敛速度较慢等问题,提出了一种新的插值方法和相应的自适应时延估计方法.根据LMS自适应时延估计方法中最优权表达式的有关参数特点,采用自适应算法对参数进行估计并进行了理论分析.计算机仿真结果表明,与基于SINC插值的自适应时延估计方法相比,在不同信噪比条件下,新方法所需自适应滤波器抽头长度小且具有较快的收敛速度和较好的稳态均方误差,具有广泛的适用性.     

方差分量模型参数经验Bayes估计收敛性

构造了误差正态的方差分量模型参数的经验Ｂａｙｅｓ估计，定义了逆拉直运算，利用作者自己曾经证明的多参数指数族ＥＢ估计收敛结果，证明了所构造的经验Ｂａｙｅｓ估计的收敛性     

基于微分演化算法的系统识别

微分演化算法（DE）是一种启发式算法,它对于解决复杂的优化问题有很好效果。它构成简单,使用方便,收敛速度快,求解有效,并且有很好的鲁棒性。本文把DE算法运用到了结构体系的参数估计中,可以描述为一个多维优化问题。本文在无噪声干扰和有噪声干扰的情况下,用所提出的方法来识别非线性结构体系,结果表明了此方法的有效性。     

一种基于MIMO-OFDM系统快速收敛盲信道估计方法

针对基于循环前缀（cyclic prefix,CP）的MIMO-OFDM系统,提出一种快速收敛的子空间盲信道估计方法.该方法利用循环前缀特性对信道矩阵进行重构,重构矩阵具有和Toeplitz矩阵相似的结构,利用此特殊结构结合传统子空间算法可以有效地减少算法所需数据量,进而提高了算法的收敛速度.另外,文中给出了信道盲辨识条件并进行了相应说明.仿真结果表明所提算法有效,适当选取参数可以大大提高算法收敛速度.     

Sharp convergence rates of stochastic approximation for degenerate roots

Ｓｔｏｃｈａｓｔｉｃａｐｐｒｏｘｉｍａｔｉｏｎ(ＳＡ)ｈａｓｗｉｄｅｌｙｂｅｅｎａｐｐｌｉｅｄｉｎｖａｒｉｏｕｓｆｉｅｌｄｓｓｕｃｈａｓｏｐｔｉｍｉｚａｔｉｏｎ,ｓｙｓｔｅｍｉｄｅｎｔｉｆｉｃａｔｉｏｎ,ａｄａｐｔｉｖｅｃｏｎｔｒｏｌ,ｎｅｕｒａｌｎｅｔｗｏｒｋ,ｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎａｎｄｏｔｈｅｒｓ.ＴｈｅｐｒｏｂｌｅｍｏｆＳＡｉｓｔｏｓｅｅｋｔｈｅｒｏｏｔｘ0ｏｆａｎｕｎｋｎｏｗｎｆｕｎｃｔｉｏｎｆ(·):Ｒｄ→Ｒｄｏｎｔｈｅｂａｓｉｓｏｆｎｏｉｓｙｏｂｓｅｒｖａｔｉｏｎｓ{ｙｋ}ｏｎｆ:…     

IRT评分项目参数估计的收敛性

主要讨论二级评分项目的参数估计，提出了一种二级评分项目的参数解法，并对该方法的收敛性进行了证明。