Pareto分布参数的Bayes估计

文章主要研究了Pareto分布的参数估计。在平方损失函数下给出了Pareto分布参数的Bayes估计,并且证明了这一估计是可容许的。在Q-对称熵损失函数下,讨论了Pareto分布参数的Bayes估计。     

对称熵损失函数下Rayleigh分布参数的Bayes估计

在对称熵损失函数下,研究Rayleigh分布参数的Bayes估计、经验Bayes估计以及可容许性问题,并讨论了一类(cT+d)-1形式估计的可容许性和不可容许性.     

熵损失函数下指数分布参数的估计

文章在指数分布参数的先验分布为其共轭先验分布Gamma分布Γ（a,b）时,给出了其在熵损失函数下的E-Bayes估计和多层Bayes估计。     

熵损失下Pareto分布参数估计

本文讨论了在熵损失下,Pareto分布参数的Bayes估计,给出了Bayes置信限。     

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.     

复合LINEX损失下k阶Erlang分布参数的Bayes估计

在复合LINEX对称损失函数下,利用Bayes估计的方法研究了k阶Erlang分布参数的Bayes估计和E-Bayes估计,并且通过随机模拟检验参数的Bayes估计和E-Bayes估计的合理性和优良性,结果表明:在复合LINEX对称损失函数下,k阶Erlang分布参数的Bayes估计和E-Bayes估计都是合理的,但是E-Bayes估计的精度更高。     

Linex损失函数下Laplace分布尺度参数的Bayes估计

在经典贝叶斯统计推断与统计的决策中,Bayes估计的性能主要取决于损失函数的形式,先验分布的不同也会对Bayes估计的结果产生差别。在Linex损失函数下,基于Bayes方法研讨Laplace分布的尺度参数估计。当Laplace分布中位置参数已知时,分别取无先验信息和先验分布为倒伽马分布,计算尺度参数的Bayes估计精确形式和性质,证明了Bayes估计具备可容许性。     

逆威布尔部件的可靠性估计

针对贝叶斯分析中平方误差损失存在的"高估和低估同等重要"问题,提出了一种基于熵损失函数的贝叶斯可靠性分析方法。利用该方法,分别在无信息先验和共轭先验分布下,推导出逆威布尔部件参数、可靠度函数及失效率的Bayes估计,并证明了形如[c T(x)+d]-1的一类估计具有容许性。为了比较不同估计结果的忧劣,文中还给出了逆威布尔部件参数的一致最小方差无偏估计(UMVUE)。最后运用Monte Carlo方法对各种估计的均方误差进行了模拟比较。结果表明,当样本量比较小时,Bayes估计的均方误差小于UMVUE的均方误差。随着样本量的增加,各个估计的均方误差都减小,但在共轭先验下Bayes估计的均方误差最小。     

Γ分布参数估计的损失函数和风险函数的Bayes推断

在共轭先验分布下本文给出了Γ分布Γ(r,θ)中参数I／θ的估计的损失函数和风险函数不同的Bayes估计,并讨论了各种Bayes估计的性质,进而指出各种Bayes估计的合理性．     

测量数据处理中的Bayes理论与最大熵方法

以Bayes理论和Jaynes的最大熵方法为基础,分析了测量数据概率空间的特点,提出了将Bayes理论与最大熵方法结合,利用最大熵方法求取Bayes理论中的先验分布和似然函数的测量数据PDF反演方法。实验结果证明此方法的反演结果优于单独运用Bayes或最大熵方法计算的反演结果。     

方差分量模型中回归系数的线性Bayes估计

本文研究了方差分量模型中在平方和损失函数和矩阵损失函数下回归系数的线性Ｂａｙｅｓ估计。     

一类刻度指数分布族参数的Bayes估计

在刻度平方损失函数下,研究了一类刻度指数分布族参数的估计.得到了刻度参数的Bayes估计的一般形式,并研究了它的可容许性,最后在两种给定先验分布下得到了刻度参数的正常Bayes估计和广义Bayes估计的精确形式.在此基础上可以对刻度参数进行进一步的统计推断.     

广义逐步增加定数截尾下Lindley分布的Bayes估计

对基于广义逐步增加定数截尾样本的Lindley分布寿命产品进行了贝叶斯统计分析,并利用Monte Carlo方法获得3种损失函数下分布参数的近似Bayes估计。最后,通过模拟实例表明Bayes估计是有效的。     

Linex损失下Poisson分布参数的Bayes估计

记X1,X2,…,Xn为来自Poisson总体容量为n的样本,在Linex损失函数下,给出了Poisson分布参数θ的Bayes估计并证明其可容许性,同时也得到了该参数的多层Bayes估计的表达式。     

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.     

混联系统的可靠性蒙特卡诺模拟及其EB估计

在复杂的混联系统中,利用Monte Carlo方法建立随机模型,研究可靠性模拟问题,并假定该模型具有随机移走的逐步增加Type-Ⅱ截尾。采用Bayes方法与极大似然估计相结合的方法,在平方损失下,得到了混联系统部件的失效率、系统可靠度和平均寿命的经验Bayes估计。最后给出算例分析,说明该方法的正确性和可行性。     

Thermodynamic performance of Dual-Miller cycle (DMC) with polytropic processes based on power output,thermal efficiency and ecological function

This study reports a new model of an air standard Dual-Miller cycle (DMC) with two polytropic processes and heat transfer loss. The two reversible adiabatic processes which could not be realized in practice are replaced with two polytropic processes in order to more accurately reflect the practical working performance. The heat transfer loss is taken into account. The expressions of power output, thermal efficiency, entropy generation rate (EGR) and ecological function are addressed using finite-time thermodynamic theory. Through numerical calculations, the influences of compression ratio, cut-off ratio and polytropic exponent on the performance are thermodynamically analyzed. The model can be simplified to other cycle models under specific conditions, which means the results have an certain universality and may be helpful in the design of practical heat engines. It is shown that the entropy generation minimization does not always lead to the best system performance.     

贝叶斯文本分类中特征词缺失的补偿策略

为了解决朴素贝叶斯分类器在处理文本分类任务时,往往存在的特征词缺失问题,即由于语料库中的词语出现分布情况遵循Zipf定律,仅依靠简单的增加训练语料方式难以解决这种因数据稀疏而引发的特征词缺失问题.引入统计语言模型中的数据平滑算法,通过从已出现词中"折扣"出一定的概率再分配到未出现词中去,来计算缺失特征词的补偿概率,以此克服数据稀疏问题带来的影响.评测数据在去掉停用词的分类过程开放测试中,引入Good-Turing算法的分类性能比Laplace原则提高了3.05%,比Lidstone方法提高1.00%.而在交叉熵选择特征词的算法中,增加Good-Turing的贝叶斯分类方法可比最大熵分类性能高1.95%.通过这种数据平滑的算法,有助于克服因数据稀疏而引发的特征词缺失问题.     

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.