广义Pareto分布参数的Bootstrap置信区间及应用

针对广义Pareto分布应用于超阈值数据拟合时尾部数据较少的情况,将参数的极大似然估计与Bootstrap方法相结合,给出参数的Bootstrap置信区间。Bootstrap置信区间计算方法既可以通过重复抽样充分利用样本信息,又可以避免样本较少时估计量方差偏大的情况。理论证明参数的Bootstrap置信区间是渐近有效的。数值模拟结果表明在一定的置信度下,置信区间的区间长度和覆盖率比较合理。应用建立的Pareto模型对巴颜喀拉地震带震级数据进行分析,结果表明在相同的置信度下,采用Bootstrap方法计算的置信区间比由近似协方差矩阵计算的区间长度更短,这为广义Pareto模型描述地震震级分布的适用性提供了支撑。

导弹精度评估的非参数Bootstrap方法

基于目前导弹试验的实际状况，讨论了小子样情况下精度指标的置信区间估计的非参数Bootstrap方法。介绍了Bootstrap方法的基本概念，综合比较了非参数Bootstrap抽样和参数Bootstrap抽样的特点，对基于传统百分位法的改进区间估计方法进行了简要说明，包括迭代Bootstrap方法、Bootstrap-t方法及纠偏百分位方法；最后，通过大量仿真计算初步分析了各种非参数Bootstrap区间估计方法的性能和适用范围，并给出了若干建议。

四参数正弦曲线拟合的快速算法

对四参数正弦拟合软件运行时间进行了研究,提出一种软件拟合时间的定量评价方法,对序列长度、序列所含信号周波数、正弦波形幅度、相位、直流分量,以及A/D位数等不同因素条件,给四参数正弦曲线拟合所用时间的影响进行了定量评价,获得了拟合时间随各个因素而变化的规律。针对影响软件运行时间的主要因素,提出了以减少拟合序列长度为手段,进而降低拟合所用时间的快速拟合方法。它们是直接序列截取法和二次抽样法。并在一组实验上验证了所述方法的有效性与可行性,获得了二次抽样法优于直接截取法的明确结论。所述方法可用于四参数正弦拟合的快速运算。

参数化人体有限元模型的体表样本选取方法

为了准确选取到参数化方法建立的中国女性人体有限元模型的体表样本,设计了一种用于人体体表建模的样本选取方法。通过采用样本估计总体的方法确定体表样本的选取数量;采用计算正态分布区间估计参数和按照数据分布比例方法生成体表样本的身高、BMI和年龄3个统计特征参数;利用拉丁超立方抽样方法按照体表样本统计特征的参数分布生成各样本的选取参数;通过Pearson相关系数检验各特征参数向量间的相关性。基于所设计的体表样本参数生成方法,在置信度为95%、误差不大于10%的条件下,所生成的97例女性体表样本各特征参数所构成向量之间无显著相关性,各特征参数分布与中国女性人体的总体分布相一致。所设计的体表样本选取方法可有效选取到代表中国女性人体特征的体表样本。

采用Bootstrap抽样的靖远黄河大桥模态参数识别不确定性量化

提出一种基于Bootstrap抽样的模态参数识别不确定性量化方法,从整体和局部的角度评价模态参数识别结果的可靠性.首先,基于动力测试的加速度时程数据,采用协方差驱动随机子空间(SSI-COV)法识别不同测试组的模态参数;引入Bootstrap抽样方法,对多组模态参数识别结果进行B次重复抽样,得到Bootstrap样本数据,并通过其概率统计特征值衡量整体不确定性.然后,对单个测试组中不同时间段的识别结果进行重复抽样,分析并量化单个测试组的模态参数识别的不确定性.最后,以靖远黄河大桥试验数据为例,对靖远黄河大桥竖向单个及多个测试组下的模态参数进行不确定性量化.结果表明:不同测试组识别的前3阶固有频率的均值分别为1.5539,1.7206,2.1652,方差分别为0.0761,0.0429,0.0965;单个测试组识别的前3阶固有频率的均值分别为1.5265,1.7880,2.3060,方差分别为0.0153,0.0496,0.0182;文中方法识别的固有频率值总体较为稳定.

t分布误差下非参数回归模型的区间估计

为了探索非正态分布误差下非参数回归模型的区间估计问题,本文考虑了模型误差独立且服从t分布的情形。利用小波方法和t分布的性质,构建响应变量的近似置信区间。考虑到在应用中误差分布未知,利用Bootstrap采样得到原始信号数据的区间估计。模拟算例表明:在区间覆盖率、区间平均带宽和覆盖宽度准则意义下,与基于重构信号的区间估计相比较,基于近似信号的区间估计是一种较为理想的方法。

Bootstrap样本大数据模型和分布式集成学习方法

传统Bootstrap抽样和Bagging集成学习通常以串行方式实现,计算效率低,且存在样本不可重用、扩展性差等问题,不适合高效的大规模Bagging集成学习。从大数据分布式计算的思维入手,提出新的Bootstrap样本划分(BSP)大数据模型和分布式集成学习方法。BSP数据模型通过分布式生成算法将训练数据表达成分布式Bootstrap样本集的集合,存储成HDFS分布式数据文件,为后续的分布式集成学习提供数据支持。分布式集成学习方法从BSP数据模型中随机选取多个BSP数据块,读入集群各个节点的虚拟机,用串行算法对选取的数据块并行计算统计量或训练建模,再将所有的计算子结果回传至主节点中,生成最终的集成学习结果,此过程中可加入对子结果的质量选择以进一步提高预测效果。BSP数据模型的生成和分布式集成学习采用非Map-Reduce计算范式进行,每个数据块的计算独立完成,减少了计算节点间的数据通信开销。提出的算法在Spark开源系统中以新的算子方式实现,供Spark应用程序调用。实验表明,新方法可以高效地生成训练数据的BSP数据模型,提高数据样本的可重用性,在基于有监督机器学习算法构建的大规模Bagging集成学习实验中,计算效率能提高50%以上,同时预测精度进一步提高约2%。

联合均值和散度逆高斯回归模型的参数估计

逆高斯回归模型可用于分析正偏态数据,人们通常研究解释变量对其均值参数的影响,但往往忽略了对其散度参数的影响,文章则基于解释变量对均值和散度都有影响的前提,针对联合均值和散度逆高斯回归模型,探讨模型参数的极大似然估计问题。MM算法在优化问题上具有分离参数、降低目标函数的维度、简化求解过程等优点,将MM算法应用于联合均值和散度逆高斯回归模型,能将多元似然函数彻底分解为一系列一元函数之和,从而绕开了参数估计中的矩阵求逆问题。模拟研究表明,当数据量达到100时就能得到很好的估计效果;实证分析表明,理论研究在实际应用中具有可行性。

基于Bootstrap的实测负荷模型参数优选

负荷模型对电力系统的动态仿真及控制起着举足轻重的作用。为使建立的负荷模型具有较好的泛化能力,在Bootstrap原理的基础上,本文充分利用实测负荷数据,提出了负荷模型参数优选的策略:首先利用优化的方法(如遗传算法)辨识单条实测曲线的负荷模型参数,然后利用Bootstrap法估计型各参数的统计特性,最后根据统计特性选择相应的参数值。由于Bootstrap法可将小样本问题转化为大样本问题来估计未知参数的近似分布,因此该策略可充分利用现场实测的小样本数据,客观估计小样本空间下参数的统计特性,达到参数优选的目的。

基于Bootstrap方法的岩土体参数联合分布模型识别

小样本容量岩土体参数最优联合概率分布模型的识别是一个富有挑战性的问题。基于Bootstrap提出了小样本容量岩土体参数最优边缘分布函数和最优Copula函数识别方法。简要介绍了岩土体参数联合概率分布函数构造的Copula方法,采用AIC准则识别最优的边缘分布函数和Copula函数。将识别结果表示为不同备选边缘分布函数和Copula函数为最优边缘分布和最优Copula的权重系数集合,以基桩荷载-位移双曲线参数试验数据为例证明了所提方法的有效性。结果表明:基于小样本容量岩土体参数试验数据估计的样本均值、标准差和相关系数具有较大的离散性,这种离散性进一步导致了统计量AIC值存在较大变异性。提出的基于Bootstrap的最优边缘分布函数和最优Copula函数识别方法不仅可以有效地考虑统计量AIC值的变异性,而且能够综合地反映不同备选边缘分布函数和Copula函数为最优边缘分布和最优Copula函数的概率,为小样本容量岩土体参数最优边缘分布函数和最优Copula函数的识别提供了一条有效的途径。

中介效应的点估计和区间估计:乘积分布法、非参数Bootstrap和MCMC法

针对中介效应ab的抽样分布往往不是正态分布的问题,学者近年提出了三类无需对ab的抽样分布进行任何限制且适用于中、小样本的方法,包括乘积分布法、非参数Bootstrap和马尔科夫链蒙特卡罗(MCMC)方法。采用模拟技术比较了三类方法在中介效应分析中的表现。结果发现:1)有先验信息的MCMC方法的ab点估计最准确;2)有先验信息的MCMC方法的统计功效最高,但付出了低估第Ⅰ类错误率的代价,偏差校正的非参数百分位Bootstrap方法的统计功效其次,但付出了高估第Ⅰ类错误率的代价;3)有先验信息的MCMC方法的中介效应区间估计最准确。结果表明,当有先验信息时,推荐使用有先验信息的MCMC方法;当先验信息不可得时,推荐使用偏差校正的非参数百分位Bootstrap方法。

寿命分布的参数Bootstrap拟合优度检验方法

拟合优度检验在统计和可靠性等领域具有非常重要的地位,基于参数Bootstrap重采样的思想,对未知参数的常用寿命分布进行拟合优度检验。数值仿真结果表明,相对于传统的经验分布函数检验,这种基于参数Bootstrap的拟合优度检验具有更高的功效,特别是在小样本的情况下,优势明显。

基于Gibbs抽样算法的三参数威布尔分布Bayes估计

由于三参数威布尔分布概率密度函数较为复杂,后验分布的积分计算成为进行Bayes估计的主要障碍。利用Gibbs抽样算法研究Bayes估计的计算问题。首先描述Gibbs抽样算法的特点,在定数截尾寿命试验情形下,推导无先验信息的参数联合后验分布,然后,结合取舍抽样方法,设计计算参数Bayes估计的Gibbs抽样方案,最后给出一个算例。结果表明,与传统的数值积分法相比较,Gibbs抽样算法更加简便直接,更适于计算可靠性指标的Bayes估计。

对Bootstrap方法的自助抽样的改进

Bootstrap方法是一种常用的统计推断方法,它的无先验性,以及计算过程中只需要实际的观测数据,使得其可方便的应用于实际的数据处理之中。对连续情形而言,Bootstrap本身的计算特性限制了自助样本的生成范围,即只能从原样本再采样,从而使得自助分布产生偏离,无法渐近于真实情形。鉴于此不足,本文提出了改进的Bootstrap方法,它通过对自助样本生成范围的拓展,克服了这一不足,获得了更加精确的参数估计。

AR模型参数的Bootstrap方差估计

针对故障诊断中AR模型参数判别门限值的确定需要大量样本和重复多次试验的问题 ,采用小样本统计的Bootstrap方法对车削振颤AR模型参数的方差进行了估计 .结果表明 ,该方法具有较好的估计结果和工程应用价值 .

基于Bootstrap抽样的多元过程能力指数估计

过程能力指数主要用于定量描述加工过程满足技术规格要求的能力,目前普遍使用的能力指数如Cp、Cpk、Cpm等主要针对单一质量特性,关于多元质量特性的过程能力指数尚未得到很好地解决。本文首先对多元过程能力指数的发展情况做一总结,指出现存的若干问题,然后在单变量过程服从正态分布的假设下,利用单一质量特性加工过程的差异系数,对单变量过程能力指数进行加权处理,得到多元过程能力指数的计算公式。然后基于Bootstrap抽样技术,对多元过程能力指数的统计分布进行仿真处理,获得了多元能力指数的经验分布及其大致的置信区间,从而为有效进行多元质量特性加工过程分析提供了概率依据。最后以某曲轴加工过程为例给出了应用案例。

基于Gibbs抽样的马尔科夫蒙特卡罗方法在结构物理参数识别及损伤定位中的研究

通过对结构动力特征方程进行的一系列变化,得到了线性结构识别模型,并由贝叶斯更新理论得到其后验分布形式。利用结构的模态参数,并考虑其随机性,应用基于Gibbs抽样的马尔科夫蒙特卡罗方法对线性结构识别模型中各参数的条件后验分布进行了抽样,成功地实现了结构物理参数识别及损伤定位。数值算例表明:Gibbs抽样结果可以以不同的方式标识结构的损伤程度及位置且识别的误差较小。

基于GA和Bootstrap的最小二乘支持向量机参数优选

支持向量机是一种新型的学习方法,该方法以结构风险最小化原则取代传统机器学习中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能。传统的支持向量机是解凸二次规划问题,而最小二乘支持向量机是解等式线性方程,显得尤为方便。针对最小二乘支持向量机的特点,通过Bootstrap建立适当的性能指标,用遗传算法(GA)优化最小二乘支持向量机的有关参数,并在非线性经济系统中应用。用最小二乘支持向量机对非线性经济系统进行预测的结果与神经网络预测的结果比较证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的。

Bootstrap重抽样法在《临床实验室管理学》教学评价中的应用

该研究探讨了Bootstrap重抽样法在《临床实验室管理学》教学评价中的应用。采用MATLAB软件,运用Bootstrap重抽样法105次可获得可靠结果。6种题型中,简答题相对得分率最高,为82.87%;多项选择题相对得分率最低,为40.00%。所授的17个章节中,"床旁检测的质量管理"章节相对得分率最高,为97.00%;"检验前过程质量管理"章节相对得分率最低,为40.00%。Bootstrap法在不增加新样本的情况下,通过有放回的重抽样增加学生考试成绩数据,使已知样本更接近总体,可运用于《临床实验室管理学》的教学评价。

敏感问题随机应答技术模型分层整群抽样下参数的估计

目的:为敏感性问题提供科学的较复杂抽样调查方法及其统计量的计算公式。方法:使用CochranW.G.的经典抽样理论,2种随机应答技术(RRT)模型,全概率公式,均数、方差的性质等理论与方法进行公式推导。结果:推导出二分类敏感问题双无关问题RRT模型分别在整群抽样、分层整群抽样下总体比例的估计量及其估计方差的计算公式;推导出数量特征敏感问题加法RRT模型分别在整群抽样、分层整群抽样下总体均数的估计量及其估计方差的计算公式;并在苏州大学学生婚前性行为、考试作弊次数的调查中取得了成功的应用效果。结论:本研究提供的敏感性问题2种RRT模型的整群抽样、分层整群抽样调查方法与统计量的计算公式信度较高。