星下点观测的星载卫星导航反射信号海面风矢量极大似然估计

该文针对星载全球导航卫星反射计(GNSS-R)镜面反射信号对海面风向不敏感导致海面风向反演难问题,分析非镜向海面散射信号特征,提出星下点非镜向观测模式,定义该模式下海面风矢量敏感特征观测量,在此基础上提出基于星载GNSS-R海面风矢量极大似然估计(MLE)反演算法直接利用两颗及以上导航卫星的星下点非镜向散射信号进行海面风矢量的反演,并提出风矢量搜索算法提高反演效率。通过搭建星载GNSS-R仿真平台验证算法的可行性和评估算法性能。结果表明:所提算法可直接利用非镜向独立观测模式下的多颗导航卫星散射信号反演得到海面风速和风向;多星观测可消除观测几何导致的模糊解从而将海风风向4个模糊解降至2个模糊解,但无法消除海浪谱的对称性导致的海面风向模糊解。在2~25 m/s的风速内,当信噪比(SNR)大于11 dB时,3星观测的风速均方根误差(RMSE)优于2 m/s,风向的均方根误差优于15°。

双边定时截尾下Pareto分布的参数的极大似然估计的EM算法

给出了当寿命分布为Pareto分布时,双边定时截尾寿命试验下形状参数的极大似然估计。由于似然方程形式较复杂,无法得到参数的显式表达式。但可证明此极大似然估计是唯一存在的,并利用EM算法求出了此参数的一种估计。

一种多元均值混合正态分布参数的极大似然估计

以Madadi等提出的数学模型与概率密度函数为基础,证明了多元均值混合正态分布的性质,讨论了MMNE分布参数的极大似然估计问题,利用ECM算法对MMNE分布的位置参数、尺度参数、偏度参数进行了参数估计计算,给出了计算方法和迭代公式。实例分析表明,所提出的偏态数据下MMNE分布参数估计模型合理且实用。

基于极大似然估计的非理想场景雷达信号分选算法

目前,已有研究针对理想条件下的雷达脉冲信号分选问题进行了详细阐述,但是缺乏杂散脉冲和缺失脉冲两种非理想情景下的模型表征。为解决这一问题,提出了一种基于极大似然估计的非理想场景雷达信号分选算法。该算法通过修正似然因子来表征杂散脉冲和缺失脉冲现象,提高在复杂场景下的分选准确率。当部分雷达先验信息已知时,所提算法模型具有更好的分选效果。仿真实验结果表明,与已有的极大似然模型和深度学习算法相比,所提算法在分选准确率上有显著提升,具有较高的应用价值。

一种基于极大似然的分布光伏谐波异常支路估计方法

随着全球对生态环境的日益重视,光伏发电这一可再生清洁能源得到越来越广泛的利用,同时对光伏发电电能质量的监控也日趋上升。该文针对光伏电站并网点出现谐波超标时,支路谐波排查费时和经济损失大的问题,提出一种基于极大似然的光伏异常支路估计方法。该方法通过对预采集样本的统计确定各支路各阶次谐波分量的正态分布参数,进而构建出极大似然函数;在电气模型约束下推导出极大似然方程,并采用牛顿法求解得到各支路各阶次谐波分量的极大似然估计;最后提出一种概率谐波贡献度计算方法,并以此排序确定光伏异常支路的优先切除顺序。模拟分析表明,该方法速度快,具有较高稳定性和灵敏度,对不同阶次的谐波超标产生不同的支路切除优先顺序。

极大似然估计与遗忘曲线的隐式反馈交互推荐算法

针对传统推荐算法对启动数据要求严苛且服务器性能要求过高导致实际项目中较难应用的问题,提出一种挂载在ECS服务器(elastic compute service,ECS)上的基于极大似然估计原理(maximum likelihood estimate,MLE)和双重艾宾浩斯遗忘算法(double ebbinghaus forgetting algorithm,DEFA)相结合的推荐算法(EMDE)。首先,通过极大似然估计原理和双重艾宾浩斯遗忘算法结合,实现了对用户偏好数据的正态拟合,并且可以灵活地调整用户偏好的遗忘速度和保留程度。其次,充分考虑了对修改关闭原则,可以与现有业务模块高度解耦,并且具有轻量级的特性。实验结果表明,EMDE算法可以成功避免推荐快速消耗用户兴趣和触及用户反感的交互,并选择合适的交互以达到增强用户黏性的目的。

极大似然估计及其应用

文章简要介绍极大似然估计的原理,分析二项分布与超几何分布中的概率最值,结合例题与教材解析极大似然估计在二项分布与超几何分布中的应用,并给出几点教学启示.

不完全信息下型截尾Weibull分布参数的极大似然估计及贝叶斯估计

给出了不完全信息下 型截尾weibull分布参数的极大似然估计、无信息先验Bayes估计及多层Bayes估计,并指出针对一些具体模型还可以通过随机模拟来比较其估计精度.

极大似然估计的信息融合方法及其在水下航行器制导中的应用

对基于极大似然估计的数据融合技术进行了理论分析，证明了用多传感器融合估计后的数据较单传感器测量数据方差减小；并把该技术应用于水下航行器制导技术，对其进行了理论分析，提出了一种新的航行器制导技术，最后对该技术应用于航行器制导和目标跟踪技术进行了仿真计算，结果证明了该方法的有效性。

完全极大似然估计

证明了关于完全极大似然估计的一个重要定理 ,说明当参数的 2个不同的变换的某些分量完全相同时 ,它们的完全极大似然估计是相同的 .另外 ,给定了正态分布和负指数分布的参数以一定的先验分布 ,在此基础上计算了它们的完全极大似然估计 ,得到了与贝叶斯参数估计形式非常相似的结果 .

带有不完全信息随机截尾试验下最大似然估计的重对数律

本文在条件(Φ)下,证明了带有不完全信息随机截尾试验下最大似然估计的收敛速度符合重对数律,并验证了Weibull分布、对数正态分布满足条件(Φ).

矩阵正态分布参数的完全极大似然估计

得到了矩阵正态分布的均值和方差的完全极大似然估计 ,它们都是无偏估计 。

有先验信息的极大似然估计

定义了有先验信息的极大似然估计,它能够充分利用参数的先验信息,还具有正规条件下的相合性和渐近正态性.

完全极大似然估计与分步极大似然估计

得到了完全极大似然估计的一个重要性质和线形模型、指数分布、均匀分布的完全极大似然估计和分步极大似然估计 ,并与矩估计和极大似然估计进行比较 。

基于信息扩散的极大似然估计

提出了扩散极大似然估计方法 ,利用实际观测值的概率密度函数的信息扩散估计 ,代替了对观测值分布的主观假设 ,从而具有很强的自适应性。最后设计了两个算例 ,说明了扩散极大似然估计的过程 。

基于不确定理论的非线性回归模型参数的极大似然估计方法的研究

利用不确定理论的极大似然估计方法,对非线性回归模型参数给出了估计方法,并进行了数据仿真。在数据仿真中发现,当响应变量数值较大时,误差较大。于是将这个非线性模型转换为线性模型方法做了改进。让误差项与预测值保持相加的形式,使误差范围可以得到减小,数据仿真发现此改进方法有效。

一类矩阵椭球等高分布在数据不完全的极大似然估计

对于一类矩阵椭球等高分布族在数据不完全情况下的参数估计,本文提出一种迭代算法,建立了三个引理,证明迭代过程概率为1地收敛,而且该极限点即为参数在数据不完全情况下致联合密度达极大的估计(本文借用MLE记号).

非零均值噪声下ARMA-GARCH模型的拟极大似然估计

ARMA-GARCH模型在金融领域已得到广泛应用,可以用来研究金融资产价格的变化情况.对金融资产收益率建模时,通常假设噪声服从高斯分布.然而,实际研究表明,金融资产收益率可能具有正向或负向阶段性跳跃特征.对于此类金融数据,基于高斯分布的ARMA-GARCH模型在预测效果上显得不足.因此,研究了非零均值噪声扰动下的ARMA-GARCH模型,证明了拟极大似然估计量(QMLE)的强相合性和渐近正态性.进一步,通过数值模拟和实证分析说明了该模型的有效性.

线性再生散度模型的极大L_(q)-似然估计的渐近性质

线性再生散度模型是线性回归模型、广义线性模型和指数线性模型的自然推广,极大L_(q)-似然估计是基于非广义熵的新参数估计方法,是极大似然估计的推广。用极大L_(q)-似然估计研究线性再生散度模型,在一定的条件下,给出了线性再生散度模型的极大L_(q)-似然估计的弱相合性和渐近正态性。最后通过模拟算例表明:随着n的增大参数估计值越接近真值;当q→1时,ML_(q)E的参数估计值接近于MLE的参数估计值。

基于极大似然估计的鲁棒信息滤波算法研究

为了有效提高传统卡尔曼滤波算法的鲁棒性,论文从滤波算法的极大似然估计的本质分析了传统滤波算法不具鲁棒性的原因,提出了基于广义极大似然估计的一般性鲁棒方法。同时,为了实现对粗大野值的剔除,将鲁棒滤波算法扩展到信息滤波领域,推导了一般性的鲁棒信息滤波框架。仿真实验验证了论文所研究算法的有效性。