具有Rao简单结构的多元t-模型的无信息先验分布

 先验分布是Bayes分析的基础,在数理统计的许多方面有广泛应用.确定先验分布的方法有多种,其中最重要的一种是Jefferys无信息不变先验原则.文章应用此原则得到了具有Rao简单结构的多元t-模型中参数的无信息先验分布.     

已知部分信息的先验确定

讨论了已知参数的边际先验，来求出其为条件的条件参考先验，进而对总体参数先验做出确定，完善了已知部分先验信息情况下的先验确定理论。     

先验分布确定方法的分类研究

先验分布的确定问题是贝叶斯统计学首要的基本问题。根据统计推断所利用的3种信息(先验、总体、样本信息)的不同应用,对常用的先验确定方法进行了一定的分类整理,并提炼了数据控制下的先验这一概念,以区别无信息先验和非主观先验概念。     

Fisher信息阵在矩阵不等式证明中的应用

利用多元正态分布以及Fisher信息阵的单调性和可加性,证明了几个常见的矩阵不等式和多参数Cramer-Rao不等式,而证明的过程没有使用矩阵理论。     

Fisher矩阵与Fisher张量

一个随机变量X的Fisher矩阵定义为F=E_θ[hh^T],这里f(x|θ)为X的密度函数,θ∈?^d为参数向量,■为得分向量.介绍Fisher矩阵的几类等价定义及基本性质,引入Fisher张量,讨论了参数最大似然估计的渐近分布.     

伽玛分布与负伽玛分布的Pearson-X^2距离及其渐近性

利用Pearson-x2最大距离的定义,探讨了伽玛分布类和负伽玛分布的Pearson-x2最大距离及其渐近性.     

维修性小子样验证中先验信息的融合方法

研究了在Bayes小子样验证方法中多源先验信息的融合问题。由于维修时间取值具有跳跃性大、范围较宽的特点,采用随机加权法将先验信息表示为先验分布。分别提出了基于均值和基于样本量的先验分布权重因子,在此基础上,建立了基于质量因子计算先验分布权重的模型。通过计算综合先验分布与假设的正态分布的概率密度误差,对其融合后为正态分布的假设进行了检验,同时也提出了准确计算分布模型参数的方法。通过某舰船装备维修性先验信息融合的实例表明了方法的有效性及准确性。     

对数伽玛分布与负对数伽玛分布的Pearson-χ^2距离及其渐近性

利用Pearson-χ^2距离和最大距离的定义,探讨了对数伽玛分布与负对数伽玛分布的Pearson-χ^2距离、最大距离及其渐近性．     

矩阵损失下标准伽玛分布均值的齐次线性估计可容许性

讨论标准伽玛分布Γ(λ，ι)中均值参数λ=(λ1，λ2，…，λn)′的齐次线性估计AX在矩阵损失函数(AX-λ)(AX-λ)′下的可容许估计，并给出AX可容许的充要条件。     

基于随机维纳过程的产品加速因子分布确定方法

针对新研产品加速因子难以确定的问题,提出基于随机维纳过程的产品加速因子分布确定方法。首先根据相似产品信息,利用整体极大似然函数(MLE)和Fisher信息矩阵确定相似产品加速因子先验分布;其次根据专家经验信息给出新研产品加速因子先验分布;再其次通过加权融合思想,将相似产品加速因子先验分布和专家经验加速因子先验分布融合,给出新研产品加速因子最终的先验分布;然后根据新研产品内场试验信息,给出Wiener过程的参数估计;最后利用Bayes理论,充分利用产品低层试验信息对加速因子分布进行更新得到后验分布。以某型新研加速度计为实例,验证了所提出的方法适用性和有效性。     

用Fisher信息阵处理截断正态分布的参数估计

Fisher信息阵是得到渐进协差阵的一种方法.在很多事例中得到的样本协差阵,其计算是很繁杂的.这里基于Fisher信息阵所用的二阶导,得到了简便的计算方法.     

基于双高斯先验的低秩矩阵分解模型

为了更好地拟合复杂噪声,增强低秩矩阵分解模型的鲁棒性,将双高斯先验引入到传统的高斯混合模型中,提出了基于双高斯先验的低秩矩阵分解(low-rank matrix factorization with double Gaussian prior, DGP-LRMF)模型,通过模型分解得到的2个矩阵均服从高斯先验,从而实现对噪声的有效建模,并在贝叶斯理论框架下利用EM算法实现模型参数的推断。实验结果验证了所提模型能够有效地处理含有复杂噪声的数据,取得了更优且更具稳定性的去噪效果。     

粗信息矩阵与它的特征

给出了信息矩阵的概念,利用这个概念,提出了粗信息矩阵,给出了粗信息矩阵的特征,得到了一系列重要的定理.     

S-粗信息矩阵与它的两类形式

利用粗信息矩阵,提出了S-粗信息矩阵概念,给出了S-粗信息矩阵的结构和特征。S-粗信息矩阵具有两类形式:单向S-粗信息矩阵,单向对偶S-粗信息矩阵,双向S-粗信息矩阵。给出了S-粗信息矩阵与粗信息矩阵、S-粗集、Z.Pawlak粗集的关系定理。     

双参数动态Gamma分布模型及贝叶斯预测

给出了观测值服从双参数Gamma分布,并在自然参数与状态参数之间满足线性关系ωt=Ft′θt的假设下,利用共轭分布给出了相应模型的修正递推及其预测公式。     

基于先验信息的低信噪比调频连续波雷达信号处理

针对恶劣测量条件下宽频带低信噪比调频连续波雷达信号距离模糊问题,建立了固态料面调频连续波雷达信号模型,并提出了以先验信息为辅助,包含信号频域预处理、频带截取及频带能量加权的距离反演方法.实际数据处理结果显示：经过预处理的信号频谱平均信噪比由原来的-5.55 dB 提高到8.32 dB;采用包络线截频带法和最小二乘截频带法进行距离反演后拟合料线与实际料线间的料形相似度由0.46分别提高到0.71和0.79.     

椭球等高准对角矩阵Beta、F分布

在左球准对角矩阵分布、球对称准对角矩阵分布的基础上研究了准对角矩阵Beta分布、准对角矩阵F分布,给出了分布的密度函数和矩,进一步得到了相应逆矩阵变量分布的密度函数和矩.     

基于spike-and-slab先验分布的贝叶斯变量选择方法

针对超高维数据,提出一种基于spike-and-slab先验分布的超高维线性回归模型的贝叶斯变量选择方法。该方法继承了弹性网方法和EM算法的优点,以较快的收敛速度来获得稀疏的预测模型。特别地,针对系数的spike-and-slab先验分布设置上,该方法允许系数从不同坐标借力、自动适应已知数据的稀疏信息以及进行多重调整。通过与常用方法的比较,证明了该方法的准确性和有效性。     

P-增广矩阵与信息的智能动态发现-辨识

利用普通增广矩阵概念与P-集合动态结构交叉,改进普通增广矩阵概念,提出P-增广矩阵,给出P-增广矩阵结构;P-增广矩阵由内P-增广矩阵与外P-增广矩阵共同构成。给出内P-增广矩阵属性定理,外P-增广矩阵属性定理与P-增广矩阵属性定理;给出P-增广矩阵与普通增广矩阵的还原关系。改进P-推理,提出P-增广矩阵推理,给出推理结构;P-增广矩阵推理由内P-增广矩阵推理与外P-增广矩阵推理共同构成。提出属性的P-增广合取范式,给出属性的P-增广合取范式与属性的普通合取范式的关系,提出属性的P-增广合取范式还原定理;给出满足P-增广矩阵推理条件的信息的智能动态发现-辨识定理,最后给出了应用。     

P-增广矩阵推理与信息的智能分解挖掘

利用内P-增广矩阵推理、外P-增广矩阵推理与P-增广矩阵推理分别给出信息智能内-分解、信息智能外-分解与信息智能内-外分解, 给出它们的属性关系、内-分解生成的信息智能分解挖掘、外-分解生成的信息智能分解挖掘与内-外分解生成的信息智能分解挖掘、分解挖掘定理与分解挖掘准则,最后,给出信息智能分解挖掘的应用。