基于RJMCMC的泊松分布参数多变点检测

首先建立泊松分布参数多变点模型,给出该分布参数多变点的似然函数,探究变点位置参数和分布参数的满条件后验分布。利用可逆跳跃马尔科夫链蒙特卡洛(RJMCMC)算法确定该模型中变点的个数,在变点个数确定的基础上,进一步利用马尔科夫链蒙特卡洛(MCMC)方法中的Gibbs抽样和Metropolis-Hastings算法对参数满条件后验分布进行抽样,利用抽样均值和最大后验法对变点位置参数和分布参数进行估计。仿真结果和美国矿难实例均表明,结合RJMCMC算法和普通MCMC方法对泊松分布序列的变点检测很有效。

基于R-vine Copula理论的改进朴素贝叶斯分类器

朴素贝叶斯分类方法在分类时,基于属性之间的独立性假设影响了其分类性能。基于此在R-vine Copula理论的基础上,利用一系列Pair Copula函数和核密度函数的乘积来构造属性的类条件概率密度函数,并通过AIC准则选取最合适的Pair Copula函数,用极大似然估计法确定其参数。实验结果表明,改进的分类器提高了分类的准确率,避免了因属性相关导致的分类效果的偏差。

基于二元分割的多变点估计

以含有多个均值变点的时间序列数据为研究对象,将最小二乘法与二元分割相结合,提出了最小二乘二元分割方法(LSBS),改进间隔较小时二元分割方法无法检测两个相邻变点的缺点.并对铁路旅客量数据进行实证分析,统计模拟结果显示,改进方法很大程度上提高了多变点估计的准确性.