一类检验问题的参数估计方法

应用贝叶斯统计推断的原理 ,给出了一类检验问题的参数估计方法 。

地震波形约束的蒙特卡洛—马尔科夫链随机反演方法

以地质统计学为基础、以测井资料为条件数据的地震随机反演方法的分辨率高于常规确定性反演,因此迅速得到广泛应用,但是提高计算效率以及消除随机性一直是难点。为此,提出了基于地震波形约束的蒙特卡洛—马尔科夫链(MCMC)随机反演方法。充分利用观测地震数据和待反演参数之间的地球物理映射关系,应用相关系数,根据已知的地震波形之间的相似性特征指导井数据进行伪普通克里金插值模拟,建立具有地震波形指示的初始模型;在此基础上,进一步在贝叶斯框架下构建观测地震数据和测井数据协同约束的后验概率密度分布,结合Metropolis-Hastings采样算法多次随机模拟具有地震波形指示的初始模型参数,利用后验均值作为模型参数的最优解。该方法有效地提高了反演稳定性和横向连续性,降低了随机性,有效地弱化了地震噪声对反演结果的影响,并且极大地加快了马尔科夫链的收敛速度,有效地提高了运算效率和估算精度。模型试算和实际资料反演效果表明,基于地震波形约束的MCMC随机反演方法具有较好的抗噪性,有效提高了反演精度,对识别调谐尺度内薄互储层具有一定优势,在提高纵向分辨率的同时也提高了横向分辨率。

一种粒子群优化扩展卡尔曼粒子滤波算法

本文提出一种采用粒子群(PSO)优化扩展卡尔曼粒子滤波(EPF)的新算法.由于上一时刻的目标解对当前时刻目标的影响最大,提出粒子群中的粒子不考虑其自身最佳经历和群体最佳经历,而只考虑前一时刻的全局最优解;取上一时刻的目标解代表粒子集中全局最优解.采用粒子群优化扩展卡尔曼粒子滤波(EPF)的状态转移方程,使得粒子集在权值更新前趋向于高似然区域,从而更加逼近真实状态的后验概率密度分布,克服了粒子退化问题,提高了预估精度,并极大地降低了所需的粒子数.仿真实验结果表明,该算法预估性能优于传统的粒子滤波方法.

Bayes定理在内科病患者围手术期前的评估应用

采用 Bayes统计推断法 ,通过对 14项指标进行统计分析 ,选出活动分级、标准体重指数、心律失常、胸片、血糖 5项有统计意义的指标 ,建立判别高危和低危两类情况的 Bayes线性函数 ,推断属于该疾病的某患者进行非心血管手术的危险度。结果显示 ,存在危险程度的概率大小是一个相对比较值 ,对辅助诊断有一定的意义 。