复合Linex对称损失下逆伽马分布参数的Bayes估计

本文主要研究了在复合Linex对称损失函数下先验分布为伽马分布的逆伽马分布尺度参数的Bayes估计、E-Bayes估计和多层Bayes估计,并通过数值模拟说明了三种估计的稳健性和精确度,其中Bayes估计的稳健性和精确度都是最高的。

基于残差注意和非对称损失的行人属性识别

针对目前行人属性识别存在着复杂样本识别精度较低和属性数据集中属性分布不平衡的问题,本文提出一种基于残差注意的行人属性识别网络。该网络采用Resnet50作为骨干网络提取出具有语义信息的行人属性特征,并采用属性类别残差注意网络结构关注属性存在的关键区域且挖掘不同属性类别之间的内部联系。同时采用归一化和非对称的加权损失策略降低行人属性样本分布不平衡的影响,加快模型收敛速度并提高属性识别精度。在行人属性公共数据集PETA和PA100K上进行实验,实验结果表明,该方法在公共数据集PETA上获得的平均识别精度为87.32%,在公共数据集PA100K上可以获得79.75%的识别精度,与其他行人属性识别方法相比具有明显优势。

复合LINEX对称损失下Pareto分布形状参数的E-Bayes估计及应用

在统计决策问题中,统计决策及参数估计的优劣性在很大程度上依赖于损失函数形式的选取。文章主要在在复合LINEX对称损失函数下,研究了Pareto分布在其尺度参数σ已知的情况下利用共轭先验分布求出其形状参数θ的E-Baves估计;并举出具体的数值例子说明其应用性。通过数值分析对其形状参数的Bayes估计和E-Bayes估计进行比较,说明后者比前者较优。

复合MLINEX对称损失函数下Pareto分布参数的Bayes估计

文章针对两参数Pareto分布的Bayes估计问题,在尺度参数λ已知的情况下,运用Bayes定理,得到复合MLINEX对称损失函数下形状参数θ的Bayes估计,并证明其是可容许的。最后在给定三类不同超参数的先验密度函数下,给出E-Bayes估计和多层Bayes估计,且得到E-Bayes估计具有保序性。

对称损失下二项分布参数的Bayes估计问题

在对称损失函数下,利用共轭先验分布讨论二项分布参数p的Bayes估计、多层Bayes估计及E-Bayes估计,并证明该参数的Bayes估计是可容许的.最后给出关于Bayes估计、多层Bayes估计及E-Bayes估计的数值模拟,并比较了三者之间的优良性.

复合LINEX对称损失下BurrXII分布参数的Bayes估计

在复合LINEX对称损失函数下,研究Burr XII分布参数的Bayes估计和EBayes估计,并通过随机数值模拟检验参数的Bayes估计和E-Bayes估计的合理性及优良性.

非对称损失函数的质量特性值优化选择

质量特性目标值的选定是一个重要的命题,它是影响质量成本的一个重要因素。由顾客定义的特性目标值并不一定能使得总体的质量损失最小化。针对此问题,讨论了非对称的质量损失函数,在此基础上构造出质量特性目标值的优选模型,得到最优目标值。在模型的应用中表明:质量损失系数不变、质量特性左偏比右偏更有害的情况下,质量特性最优值与期望总损失随分布标准差的增大而增大;分布标准差不变的情况下,质量特性最优值与期望总损失相对质量损失系数具有一定的稳健性。

非对称损失下单边截断分布族参数的经验Bayes检验问题

在一种非对称损失函数下,讨论了一类单边截断型分布族参数的经验Balyes检验问题,构造了参数的经验Bayes检验函数,证明它具有渐近最优性,并且获得了它的收敛速度。

复合LINEX对称损失下Poisson分布参数的Bayes估计与应用

文章主要在复合LINEX对称损失函数下,研究Poisson分布参数λ的Bayes估计。并举出具体的例子说明其应用性,最后通过数值分析来验证该Bayes估计的合理性。

一种对称损失下巴斯卡分布参数的Bayes估计

研究在一种对称损失函数下,巴斯卡分布可靠度的Bayes估计及其可容许性,并给出了Bayes估计的置信下限.

复合linex对称损失下Lomax分布参数的Bayes估计

研究了在复合linex对称损失下,两参数Lomax分布当刻度参数已知时,其形状参数的Bayes估计及其容许性,并给出了其多层Bayes估计的一般形式。

一种对称损失下Pareto分布参数的Bayes估计

本文讨论了给定容量n的一个Pareto样本在对称损失函数下,Pareto分布参数的Bayes估计,证明了这一估计是可容许的,并给出了Bayes的置信下限。

复合LINEX对称损失函数下Burr分布参数的估计

文章在参数α已知,双参数Burr分布参数的先验分布为其共轭先验分布Γ(a,b)时,给出了Burr分布参数在复合LINEX对称损失函数下的Bayes估计和多层Bayes估计。

对称损失函数下定时截尾情形几何分布参数的Bayes估计

首先给出了在对称损失函数下定时截尾情形下几何分布参数的Bayes估计的一般形式.然后在给出先验分布的条件下,给出了Bayes估计的精确形式.最后证明了此Bayes估计的可容许性.

非对称损失下的预测区间

本文在回顾经典的点预测理论和区间预测理论的基础上给出了求最优预测区间的准则,该准则不仅考虑了预测区间的可信程度,而且将损失函数纳入进了求预测区间的框架.在该框架下,研究了损失函数满足某些特定条件时的预测区间,结果发现与经典预测理论中的等尾取法和对称取法得到的预测区间是一致的.

非对称损失下单边截断分布族参数的经验Bayes检验及其收敛速度

在一种非对称损失下,构造了一类单边截断型分布族参数的经验Bayes检验,建立其收敛速度,在一定条件下证明了它的收敛速度可以任意接近于1/2。最后给出满足定理条件的一个例子。

复合LINEX对称损失下Lomax分布形状参数的Bayes估计

文章在复合LINEX对称损失函数下,研究Lomax分布尺度参数已知的情况下,形状参数的Bayes估计,并通过数值模拟来验证其合理性。

一种非对称损失下分布函数的最优不变估计

给定来自一未知连续分布函数F的容量为n的子样x1,x2,…,xn,考虑分布函数F的不变估计问题.在非对称损失函数L(F(t),d(t))=b∫(exp{a[d(t)-F(t)]}-a[d(t)-F(t)]-1)dF(t)和单调变换群下得到F的最优不变估计为d(t,X)=∑ni=0ciI(x(i)≤t≤x(i+1)),其中ci=1/aln(∫01ti(1-t)n-idt)/(∫01exp{-at}ti(1-t)n-idt),a≠0,b>0.

复合LINEX对称损失下Poisson分布参数的Bayes估计和E-Bayes估计

在复合LINEX对称损失函数下,给出Poisson分布参数λ的Bayes估计及E-Bayes估计,并通过数值模拟验证Bayes估计及E-Bayes估计的合理性及优越性.

线性不对称损失时非正态分布过程均值优化

针对常见的两种非正态分布——梯形分布和三角分布,研究线性不对称质量损失时其过程均值的优化问题,建立了梯形分布在五种不同情况下线性不对称质量损失的数学模型,基于以上模型给出了线性不对称质量损失时梯形分布最优过程均值的确定方法;研究三角分布在四种不同情况下线性不对称质量损失的数学模型,并给出了线性不对称质量损失时三角分布最优过程均值的确定方法。最后,用实例验证本过程均值优化模型的有效性。实例表明,应用线性不对称损失函数,适当的改变过程均值,可以有效地降低产品的质量损失,通过调整工艺过程将获得最佳经济效益。