双边定时截尾下线性指数分布的参数估计

为了研究双边定时截尾下线性指数分布的参数估计问题,分别采用极大似然法和贝叶斯方法对未知参数进行估计,并证明了极大似然估计是唯一存在的。利用MatlabR2022b进行了随机模拟,研究结果表明:在均方误差准则下,贝叶斯方法优于极大似然方法;在贝叶斯估计中,选取伽马先验分布并在平方损失函数下,未知参数的贝叶斯估计效果最优。

线性指数分布参数的经验贝叶斯估计

对线性指数分布在平方损失下获得了参数的贝叶斯估计,并构造了相应的经验贝叶斯估计,证明了所提出的经验贝叶斯估计是渐近最优的且有收敛速度O(n-q),其中q=(s-1)(λs-1)/[s(2s+1)],1/2<λ<1-1/(2s),s≥2是一给定的整数.

线性指数模型参数的经验贝叶斯估计

根据经验贝叶斯原理,讨论了在平方损失函数下,线性指数模型参数的非参数经验贝叶斯(empirical贝叶斯,EB)估计问题.首先利用密度函数的核估计方法构造边际分布密度函数以及该分布密度函数的一阶导数;然后结合线性指数模型未知参数在相同损失函数之下的贝叶斯估计得到了未知参数的非参数经验贝叶斯估计.最后由C-R不等式以及Jensen不等式证明了所得到的经验贝叶斯估计的渐进最优性质,并获得了其收敛速度(n-(2r-1)/(2r+1)).

气相色谱和荧光光谱多线线性指数模式识别法鉴别溢油源

本文以油品中n-C_(18)、n-C_(19)、n-C_(20)、姥鲛烷和植烷作为气相色谱的数据处理信息点,以激发波长分别在250、270、290、310和330nm处,发射波长分别在335、375、383、390和395nm处作为荧光光谱的数据处理信息点,采用多维线性指数模式识别法对油品的气相色谱和荧光光谱的“指纹”特征数值进行了综合处理。通过对数十种不同种类的原油和燃料油的分析计算,建立了一种多手段分析数据综合应用的溢油鉴别技术。

基于非线性指数趋近律的飞行器纵向姿态控制

基于一种非线性函数构造了新型的非线性指数趋近律,将非线性函数加入传统指数趋近律的等速趋近项系数,使等速趋近项系数随系统运动点到切换面的距离从大到小逐步变化,实现系统运动点到达过程由快到慢的变速控制。通过对到达时间的计算和比较,表明非线性指数趋近律缩短了到达时间,间接增强了系统鲁棒性,进一步降低了系统抖振。四旋翼飞行器纵向姿态控制的仿真结果表明了该控制方法的有效性。

线性指数分布参数的经验贝叶斯检验收敛速度研究

文章在线性损失函数下导出了线性指数分布参数单调的贝叶斯检验函数,利用独立同分布样本情形概率密度函数及其导数的核密度估计构造了经验贝叶斯(EB)检验函数。在适当的条件下,获得了EB检验函数的收敛速度,该收敛速度可任意接近O(n-1),改进了文献中已有的结果。最后给出了一个满足文中主要结果的例子。

脑电非线性指数与双频谱指数用于麻醉深度监测的临床比较研究

目的评价脑电非线性指数(ENI)作为一种新的监测麻醉深度指数的有效性和准确性。方法纳入30例行择期开腹手术患者。每一患者同时监测ENI和经典脑电参数脑电双频谱指数(BIS)。用预测概率Pk值分别比较ENI、BIS、平均动脉压(MAP)和心率(HR)区分不同麻醉状态(清醒、睫毛反射消失、反应消失、稳态麻醉、麻醉苏醒时第一反应及气管拔管)的能力。用Spearman等级相关分析评价整个麻醉过程中ENI和BIS的相关性。比较ENI和BIS临床性能指标(成功率、反应率和恢复时间)。结果ENI和BIS区分不同麻醉状态的能力优于MAP和HR。麻醉过程中ENI与BIS有很好的相关性(r=0.93)。ENI与BIS的成功率和反应率差异无统计学意义;ENI的恢复时间短于BIS(P<0.05)。结论ENI可提供与BIS相似的反映麻醉深度的信息,能准确区分不同麻醉状态,其临床性能指标优于BIS。ENI是一个有效的、能准确反映麻醉深度变化的脑电参数。

比较脑电非线性指数与BIS在丙泊酚靶控输注时预测镇静深度的临床研究

目的:本研究旨在比较一种新的脑电参数-脑电非线性指数(ENI)与BIS在丙泊酚靶控输注时预测镇静深度的能力。方法:选择30例18～60岁,ASAⅠ～Ⅱ级,拟行择期普外科手术患者。每一患者同时监测ENI和BIS。麻醉诱导给予丙泊酚靶控输注,直至患者意识消失后给予芬太尼和罗库溴铵行气管插管。麻醉诱导过程中每30秒进行一次镇静评分(采用改良OAA/S评分),并记录ENI和BIS值以及平均动脉压(MAP)和心率(HR)。结果:ENI和BIS与镇静评分的相关性比MAP和HR高(r=0.90、0.93vsr=0.77、0.27)。镇静过程(改良OAA/S评分)中ENI和BIS有很好的相关性(R2=0.828)。ENI和BIS预测镇静深度的能力优于MAP和HR。结论:ENI可提供与BIS相似的反映镇静深度的信息,能准确预测不同的镇静深度。

负相伴样本情形下线性指数分布参数的渐近最优的经验Bayes估计

在平方损失下导出了线性指数分布参数的Bayes估计,利用负相伴样本密度函数核估计的方法构造了参数的经验Bayes(EB)估计.在适当的条件下证明了所提出的EB估计是渐近最优的.并给出一个满足定理条件的例子.

负相伴样本情形下线性指数分布参数的经验Bayes估计(英文)

本文在同分布负相伴样本情形下利用密度函数的核估计构造了线性指数分布参数的经验Bayes(EB)估计,并在适当的条件下获得了它的收敛速度.最后,给出了一个有关本文主要结果的例子.

考虑桩侧阻软化的非线性指数荷载传递函数

建立了一种考虑桩侧阻软化的非线性指数荷载传递函数,并根据浙江地区实测工程资料,给出了各参数的取值方法及建议值。该侧阻软化函数中桩侧摩阻力残余值!f与峰值!u之比βs越小,软化现象越明显,残余强度越低;桩侧阻出现软化时的极限位移Su与桩侧阻跌落至残余强度时的桩土位移值Ss之比βc越大,软化现象越明显,残余强度越低。参数Su决定侧阻软化函数的临界点,即出现软化时的极限位移;参数!u决定了桩侧极限摩阻力值的大小。经过大量实测工程资料统计得出:βs约为0.84～0.98,结构性强的土质取小值;βc约为0.42～0.69,结构性强的土质取小值。应用本文提出的侧阻软化函数对实测工程进行计算,结果表明,计算值与实测值很接近,说明本文建立的侧阻软化函数能够很好地反映桩出现侧阻软化时的桩土荷载传递关系。

线性指数分布参数的渐近最优的经验Bayes估计

本文研究了线性指数分布参数的渐近最优的经验Bayes估计问题.利用概率密度函数的核估计,构造了参数的经验Bayes(EB)估计,获得了所提出的EB估计是渐近最优的.

非线性指数族回归模型的参数估计及影响分析

本文研究了非线性指数族回归模型参数估计的Gauss-Newton迭代公式及其改进形式的收敛性,证明了非线性指数族回归诊断的数据删除模型和均值漂移模型的等价性,在此基础上研究了这一模型数据点的影响分析。本文的研究推广和发展了Jennrich等人的工作.

NA样本情形线性指数分布参数的经验Bayes估计

利用同分布负相协(NA)样本构造密度函数及其导数的核估计,得到线性指数分布参数的经验Bayes(EB)估计,并给出EB估计在适当条件下的收敛速度.

NA样本情形连续型线性指数分布参数的经验Bayes估计

对连续型线性指数分布在平方损失下导出了参数的Bayes估计,利用同分布负相协(NA)样本构造了经验Bayes(EB)估计量,并在适当的条件下获得(EB)估计的速度.

线性指数分布模型的一类贝叶斯判别分析

设有两个总体Π0和Π1,分别服从参数为0θ和1θ的线性指数分布,对于待观测的寿命样本X,给出相应的判别分析问题的Bayes停止判决法则,其中损失函数包括试验费用和误判损失两部分.

污染数据情形下线性指数分布参数的经验贝叶斯估计（英文）

本文研究污染数据情形下线性指数分布参数的经验贝叶斯估计问题.在平方损失函数下,导出参数的贝叶斯估计以及利用解卷积的核方法构造该参数的经验贝叶斯估计.在合适的条件下,得到基于超平滑误差分布类所提出的经验贝叶斯估计的一致收敛速度.

非线性指数理论在SRLV动力学建模上的应用

针对亚轨道可重复使用运载器(SRLV)再入过程中,强非线性和不确定性对动力学建模和控制系统设计带来的不利影响,提出了一种用于SRLV动力学模型非线性强度分析的方法。非线性指数是测量系统非线性强弱程度的重要指标。该方法首先对SRLV线性模型进行分析,计算出全飞行包线内静态和动态非线性指数大小,进而确定出全飞行包线内系统模型的非线性强弱程度,使得SRLV再入模型的非线性特性能被定性和定量的表现出来,最后通过仿真分析验证了该方法的正确性和适用性。

基于GEP的线性指数函数型程序不变量动态发现方法

不变量是用来描述程序运行时保持不变性质的逻辑断言.根据关系数据理论,程序不变量可分函数依赖型和非函数依赖型程序不变量.着眼于函数依赖型程序不变量,借助GEP的函数发现特点和Daikon对线性程序不变量的发现能力,重点对线性指数函数型程序不变量动态发现方法进行研究,通过实验证明了GEP对线性指数形式的函数有较高的发现效率,可以扩展Daikon在线性指数函数型程序不变量方面的预置形式以达到从程序轨迹数据中发现该类程序不变量的目的.

线性指数分布参数的Bayes估计

对给定容量为n的线性指数分布样本X1,X2,…,Xn,在Linex损失函数下,利用共轭先验分布讨论线性指数分布参数θ的Bayes估计,多层Bayes估计,E-Bayes估计和极大似然估计.