基于Boosting方法的混合正态模型选择

基于Boosting算法的思想给出了混合正态模型选择的一递归式的算法,该算法可以相对精确地估计出混合模型中成分的个数,还可以得到模型中的参数的估计,从数值例子来看其估计效果比较理想.

基于三类混合正态模型的武汉城市电网无功需求统计特性

根据SCADA采集的年度无功运行数据首次对武汉城市电网的总体无功下载功率和变电站10kV送往用户侧的无功功率分布特性进行了统计分析,并根据频次图提出了三类混合型的正态分布模型。大量的样本数据和典型变电站抽样分析表明基于混合正态模型的分布函数能够较好地反映武汉城市电网10kV无功需求统计特性。三类混合正态模型表征了不同负荷类型的无功需求特性及影响因素。根据该研究结果总结了武汉电网无功统计分布概况并提出了进一步的研究方向。

二元正态混合模型的偏度与峰度

有限混合模型已被广泛应用于金融、工程技术、生物统计等许多领域。主要得到了二元Gauss混合模型的偏度和峰度的精确表达形式。并对异方差和同方差两种情形下混合模型的偏度和峰度的性质进行了研究。通过一些仿真例子对文中的主要结果及该类模型分布形式的灵活性进行了演示说明。

对数正态多层贝叶斯混合模型的参数估计

用传统的正态多层贝叶斯混合模型在对具有均值异质性和方差异质性的偏态分布数据进行统计推断时效果不佳.针对这一问题,本文对数正态多层先验分布的构造与贝叶斯定理相结合,并引入到混合模型中,从而建立了对数正态多层贝叶斯混合模型.在混合模型的混合个数(k)已知的情况下,利用Gibbs抽样算法对各未知参数进行贝叶斯估计,并对使用Gibbs算法所生成的迭代链进行收敛性诊断.随机模拟结果显示,在相对误差、均方误差(MSE)准则下,贝叶斯估计的效果较似然估计更优.最后,通过实证分析证明了所建立的模型是切实可行的.

基于权重时变的混合正态模型的游客分布预测模型

混合分布因其在提取复杂数据结构、刻画分布权重方面提供了丰富稳定的信息而被广泛应用于聚类、空间聚组等预测问题中。KDE虽然更新了混合正态分布中的参数结构，但未对权重结构进行单独设计，对分支密度差异较大的异质结构而言，会出现弱密度区域被忽略而高密度结构被高估的现象，根据这类模型设计的景区游客流量疏导预测常常精度不足。引入权重时变估计过程可以很好的解决这类问题。具有时变性的权重既包含了各个成分在空间位置上的比例结构，也包含了人群分布随时间流转的规律信息。文章重点讨论权重时变混合正态模型对景区人群密度的预测问题，以北京市海淀区颐和园景区为例，使用景区及周边区域移动设备空间位置200余万条实时信令数据，建立了权重随时间演化的条件自回归先验分布，使用MCMC方法对模型参数进行估计。考虑了混合分布中分支数量对预测精度的影响，对比了权重时变的预测模型、传统的正态混合模型和KDE密度预测效果，实验发现权重时变模型的预测结果明显好于后面两类模型结果，权重时变信息揭示了人群密度在不同景点的时间自然流转规律。

正态混合模型的Bayes分析

正态混合分布模型是数据概率建模的一种灵活和高效的工具,只要项数足够大,正态混合密度可以任意逼近一个光滑密度。正态混合模型还可以用来对那些不能用标准的参数分布族来拟和的总体进行密度估计或近似。但是在正态混合模型的研究中,存在着两个难题:一是怎样估计混合模型的参数;二是混合成分的个数k的确定。通过对模型参数用Gibbs抽样法来进行抽样,构造生死Markov链(BDMCMC),设计算法确定混合成分的个数k和混合模型的参数。

Gibbs抽样在正态混合模型中的参数估计

文章针对正态混合模型,推导出了Gibbs抽样在正态混合模型中的迭代公式,并通过Matlab编程进行了实例分析。

超零左截尾数据的Bayesian零膨胀截断对数正态模型估计

目的探索应用Bayesian零膨胀截断对数正态混合模型分析超零左截尾数据的估计效果,以及有信息先验的应用对估计的改善。方法通过模拟研究考察有信息先验的应用与无信息先验下Bayesian非标准混合模型的估计效果比较,并将方法应用于暴露评估实际资料的分析。结果结合有信息先验的混合模型估计与无信息先验的模型估计相比,估计有明显的改善;尤其是真零概率的先验影响明显。结论Bayesian零膨胀截断对数正态混合模型是处理超零左截尾数据灵活的统计方法,考虑来自外部信息的有信息先验是提高估计精度的有效策略。

运用贝叶斯方法的混合异方差模型的参数估计

介绍了混合正态广义自回归条件异方差模型的基本特征,推导出在风险中性测度下模型的变化。用贝叶斯方法进行参数估计,从而形成一种新的组合方法。利用上证50ETF2017. 01—2017. 12的历史数据进行实证分析,结果表明:采用这种新的组合方法对收益率时间序列数据进行估计,不仅可以有效地估计出模型的参数,而且在应用于我国上证5OETF期权时误差效果也比较好。

基于正态混合模型的贝叶斯分类方法及其应用

本文主要研究正态混合模型的贝叶斯分类方法.贝叶斯分类以后验概率最大为准则,后验概率需要估计相关的条件分布.对于连续型数据的分类,其数据由多个类别混合而成,仅用单一分布难以描述,此时混合模型是一个较好的选择,并且可由EM算法获得.模拟实验表明,基于正态混合模型的贝叶斯分类方法是可行有效的.对于特征较多的分类,不同特征对分类的影响不同,本文对每个特征应用基于正态混合模型的贝叶斯分类方法构建基本分类器,然后结合集成学习,用AdaBoost算法赋予每个分类器权重,再线性组合它们得到最终分类器.通过UCI数据库中实际的Wine Data Set验证表明,本文分类方法与集成学习的结合可以得到高准确率和稳定的分类.

基于多元数据图表示的广义统计模式识别

现代统计模式识别方法以数据满足一定的统计分布规律为前提,然而现实问题研究中存在大量分布不理想或小样本情况。基于多元图表示的广义统计模式识别提出基于类别样本统计分布特性分析来选择狭义统计或非统计方法,它主张统计学方法在模式识别领域的科学运用。首先介绍了广义统计模式识别概念,然后基于人工构造数据集对该方法进行了数据仿真实验,结果显示,类别样本统计分布特性差异对分类方法选择具有显著影响。