自适应转移概率交互式多模型跟踪算法

针对标准的交互式多模型算法(Interacting Multiple Model,IMM)存在模型集设计困难和采用固定转移概率矩阵导致模型切换缓慢、跟踪精度下降的不足,提出一种自适应转移概率IMM算法.首先,提出了一种新的模型集设计方法,将强跟踪修正输入估计(Strong Tracking Modified Input Estimation,STMIE)模型和匀速运动(Constant Velocity,CV)模型作为IMM算法的模型集,利用STMIE算法对高机动目标的跟踪能力以及CV模型对非机动目标跟踪的高精度,实现对目标的全面自适应跟踪.其次,提出一种依据模型似然函数值对Markov转移概率进行实时修正的方法,增强匹配模型的作用,削弱不匹配模型的影响.仿真结果表明,依据模型似然函数修正转移概率的方法使IMM算法的模型切换速度和跟踪精度都得到提高,提出的IMM-STMIECV算法的跟踪精度高于IMM-CVCA、IMM-CVCACT以及IMM-CVCS算法.

阈值协整中内生性解释变量下参数推断的比较

在阈值协整解释变量具有内生性下,OLS估计量具有非标准的极限分布,大大妨碍了协整参数的约束性检验。文章利用三种修正的估计法——FM-OLS、CCR和DOLS来估计阈值协整参数,并据此构造相应的约束性检验统计量,这些统计量都具有标准的极限分布。通过Mon?te-Carlo模拟,发现OLS估计量的分布不随样本容量增大趋于正态分布,而FM-OLS、CCR和DOLS都呈现出趋于正态分布趋势,其中FM-OLS趋于正态分布所需要的样本容量最小。模拟中也发现FM-OLS外,其他所有t统计量都有严重的过度拒绝原假设概率,FM-OLS法在样本容量较大时有过度接受原假设倾向。

带有随机系数的双线性INAR(1)模型的统计推断

基于带有随机系数的二项稀疏算子构造双线性INAR(1)模型,推导了模型的统计性质.采用修正的矩估计法对模型进行参数估计并进行了模拟研究.最后给出一个实例应用,结果表明基于带有随机系数的二项稀疏算子的双线性INAR(1)模型是更适合数据的模型.