史坦无偏似然估计原理产生阈值对人体胸壁微动信号的“WaveShrink”降噪

人体胸壁微动信号中包含大量的生命体征信息。本文采用史坦无偏似然估计原理产生阈值 ,应用“WaveShrink”算法从胸壁微动信号中提取心动信号 。

基于小波变换和似然无偏估计的运动心电信号伪差消除法

介绍了一种基于小波变换并结合似然无偏估计来消除运动心电信号中基线漂移和肌电噪声的新方法 ,且提出了评价心电消噪算法有效性的两个指标。该方法利用小波变换多分辨率分析的特性 ,将原始运动心电信号进行多尺度分解及单支重构 ,根据运动心电信号的自身特征 ,结合似然无偏估计针对不同的心电细节成分进行阈值消噪处理。研究结果表明 ,该方法能有效消除运动心电信号中的干扰成分 ,为进一步研究运动心电信号的特征识别分析提供了新途径。

基于小波变换和似然无偏估计的胃阻抗信号处理研究

目的:介绍一种基于小波变换和似然无偏估计的胃阻抗信号分析去噪的方法。方法:首先经过多分辨分析将信号进行分离,然后应用Stein似然无偏估计对胃阻抗信号进行自适应软阈值去噪处理。结果:实验结果表明,该方法能够有效滤除由呼吸、血流阻抗等因素造成的干扰。结论:小波分析技术为进一步研究胃动力信号的参数分析提供了新途径。

经验似然中无偏估计函数的选择问题

由Owen(1988)提出的经验似然是一种重要的统计方法 .本文主要研究经验似然的基础之一———无偏估计函数的选择问题 .为此 ,定义了基于最优无偏估计函数的最优经验似然 ,得到了最优无偏估计函数的性质 ,研究了最优无偏估计函数的构造方法 .最后 ,将这种方法推广到拟似然 .

由可加分数布朗运动驱动的抛物型随机偏微分方程中极大似然估计量的中偏差原理

利用鞅的极限定理,本文讨论了由可加分数布朗运动驱动的抛物型随机偏微分方程中未知参数极大似然估计量的中偏差原理,给出了速率函数的精确表达式,并将主要结果应用于若干例子.

无尺度偏差和系统偏差组合预测的贝叶斯极大似然估计

本文在单项预测模型具有尺度偏差和系统偏差的前提下，求出了ｐ时刻真值ｙｐ的贝叶斯极大似然估计。

非负变权组合预测的贝叶斯极大似然估计

本文利用贝叶斯极大似然估计的理论，给出了非负变权组合预测的一种估计方法。

极大似然估计方法介绍

主要介绍了极大似然估计方法的来源、极大似然原理、极大似然问题求解方法以及什么情况下极大似然估计不能求解等。

对数正态分布参数的最大似然估计

利用最大似然估计法求出了对数正态分布两个参数的估计量,并讨论了它们的无偏性和相合性。

结合参数估计的天文图像极大似然恢复

分析了Benvenuto等针对天文图像恢复提出的基于极大似然(ML)代价函数的有效逼近模型,由此提出了一种比传统ML收敛更快的图像恢复算法。该算法在未知点扩散函数(PSF)条件下,通过观测模糊图像,自适应估计湍流PSF,使PSF估计更符合成像环境;然后,将该算法与混合高斯泊松噪声的ML算法相结合,形成增强ML迭代算法。在迭代过程中动态更新PSF,交替执行恢复图像、去除噪声等策略。结果显示:对于点源目标图像,本文算法恢复图像的质量在峰值信噪比、均方误差以及平均对比度3个指标上分别提高了96.64%,69.26%和25.6%;对于真实湍流退化图像,恢复质量也有一定改善。结论表明:该方法可以使迭代过程收敛更稳定,图像恢复质量得到明显提高,非常适用于天文观测图像的高清晰恢复与重建。

泊松分布中一个参数的两个最大似然估计的比较

给出泊松分布中参数e-λ的两个最大似然估计,讨论了不同标准条件下各自的性质,指出在大样本条件下,两者具有相当的性质.

二元Kundu-Gupta型二点分布参数的最大似然估计

讨论二元Kundu-Gupta型二点分布的识别性及参数估计,已知可识最小值的分布时,则参数可识别;由此得到了参数的最大似然估计;其中二个参数的估计量是无偏的,另外一个参数的估计量的期望不存在;模拟结果显示:估计值均稳定于真值参数.

排序集下单指数分布均值的修正极大似然估计

排序集抽样(RSS)是一种有效的收集数据的方法.在求解RSS下单指数分布均值的极大似然估计(MLE)时,由于无法得到MLE的显性解,通常的做法是给似然方程中的后两项函数同时取均值,得到修正MLE(MMLE).该文重点考虑了仅给一项取均值,且证明了仅给一项取均值得到MMLE依然是无偏估计.数值比较表明,给一项取均值得到的MMLE方差一致小于给两项取均值得到MMLE的方差,且非常接近未修正MLE的均方差,同时小于简单随机抽样(SRS)下MLE的方差.

极大似然估计方法的直观教学设计

极大似然估计是求解参数点估计的一个重要方法.该方法具有很多优良的统计性质,因而在各个领域中得到广泛的应用.针对该方法计算复杂,学生理解较为困难的问题,对极大似然估计的教学方案进行了设计.通过引入简单实例,讨论了极大似然估计所使用的极大似然原理及其求解方法,让学生形成对新方法的直观理解,在教学中取得了良好的效果.

关于最大似然估计的教学

通过浅显事例说明最大似然原理，给出最大似然估计的主要方法．

讲授极大似然估计时应注意的几个问题

极大似然估计是由费雪（Ｒ．Ａ．Ｆｉｓｈｅｒ）在１９１２年提出的一种对参数进行点估计的方法。由于这种方法对总体参数进行点估计时，既利用了样本资料对参数提供的信息，又充分考虑了总体对参数提供的信息，因而极大似然估计值具有一致性、有效性、充分性、完备性等优良估计特性，也正是由于这个原因。

矩法估计与极大似然估计的比较

以二项分布为例,讨论了其分布参数的矩法估计与极大似然估计,并比较了两种估计的优良性质,主要讨论它们的一致性、无偏性和有效性.

基于极大似然方法的随机微分方程参数估计

针对随机微分方程似然函数的复杂性,提出基于极大似然思想改进的参数估计方法。根据贝叶斯原理,将似然函数的最大化问题转化为对参数后验分布的研究,但其积分解析形式很难获得,因此后验分布一般并非标准分布。结合随机微分方程的模型特殊性,采用卡尔曼滤波和MCMC抽样方法得到参数的估计。实例表明,该算法对随机微分方程的参数估计是有效的。

瑞利(Rayleigh)分布的先验似然估计

研究了瑞利分布中参数θ的有先验信息的极大似然估计,并讨论了其估计的性质,得到了其估计具有渐进无偏性和相合性.

方差组分的最大似然估计

一、引言方差组分估计又称方差分量分析,它大大开阔了方差分析的应用领域.尤其在动植物遗传育种的研究中很有用处,在家畜育种中,多数情况下的遗传参数可以用遗传方差和遗传协方差表示.目前方差组分估计已广泛应用于动物育种的以下几个方面1.构造选择指数.2.混合模型最佳线性无偏估计(Blμp法).