可处理多普勒量测的最佳线性无偏估计算法

基于目标位置量测的一些量测转换方法已被广泛使用在目标跟踪应用中,使得卡尔曼滤波器得以在直角坐标系中应用。但是,这些量测转换方法有一些会导致估计性能恶化的根本缺陷。事实上,除了位置量测外,理论计算和实践已经证明,包含目标速度信息的多普勒量测具有有效提高目标状态估计精度的潜力。该文在直角坐标系下提出一种可使用转换多普勒量测(即距离量测与多普勒量测的乘积)的滤波器。从理论上讲,它是在最佳线性无偏估计准则下的最优线性无偏滤波器,并且避免了量测转换方法的根本缺陷。通过将近似处理后的新型最优线性滤波器与目前4种流行的方法进行仿真比较,验证了所提出的滤波器的优越性。

基于最佳线性无偏估计的双基地雷达定位方法

利用坐标转换后的伪测量值,根据最佳线性无偏估计原理,提出一种双基地雷达目标的定位方法并给出了算法定位误差的Cramer-Rao理论下限表达式,在不同噪声条件下对算法进行仿真计算,结果表明该方法可以显著提高双基地雷达目标的定位精度,其理论下限和仿真结果都明显优于最小二乘方法。

不完全数据最佳线性无偏估计方法

针对工程上存在大量不完全数据的情况,本文建立了不完全数据秩统计量的联合概率密度函数,给出不完全数据顺序统计量的均值、方差和协方差计算公式,提出不完全数据最佳线性无偏估计方法,并对正态分布、Weibull分布等位置-尺度分布进行了详细讨论。该方法能够充分开发利用试验数据中的不完全信息,从而提高不完全数据统计分析的精度。

定时截尾数据最佳线性无偏估计方法

提出定时截尾数据最佳线性无偏估计方法。针对工程中常见的位置-尺度分布族,给出定时截尾情况下分布参数的最佳线性无偏点估计公式及其协方差矩阵,得到分布参数的置信区间、百分位值和百分率的点估计及其置信上、下限。详细讨论Weibull分布和对数正态分布定时截尾数据的最佳线性无偏估计问题。与目前工程中常用的极大似然估计(maximumlikelihood estimation,MLE)方法相比,文中方法所得估计量不但在大样本而且在小样本情况下也具有最佳无偏性质,且计算简单、精度高,便于工程应用。

一般线性回归模型最佳线性无偏估计的影响分析

讨论一般线性回归模型的影响分析问题,研究了协方差矩阵扰动和数据删除对最佳线性无偏估计的影响,给出了度量影响大小的距离测度和它的计算公式.

不完全区间数据最佳线性无偏估计方法

建立了不完全区间数据秩统计量的概率密度函数和联合概率密度函数,给出了其平均秩、中位秩和百分位秩以及不完全区间数据统计量的均值、方差和协方差计算公式.在此基础上,针对位置-尺度分布族提出一种不完全区间数据最佳线性无偏估计方法,得到了其百分位值的置信限估计,并对工程中常见的极值分布、两参数Weibull分布、正态分布进行了详细讨论.

一般线性混合模型中的最佳线性无偏估计和谱分解估计

该文在一般线性混合模型中,研究了固定和随机效应线性组合的估计问题.对观测向量的协方差阵可以为奇异矩阵情形下,导出了该组合的最佳线性无偏估计,并证明了它的唯一性.在一般线性混合模型的特例,三个小域模型下,得到了小域均值μ_i和方差分量的谱分解估计.进而,获得了基于谱分解估计的两步估计均方误差的二阶逼近.

典型相关系数与最佳线性无偏估计

利用随机向量间典型相关系数的个数,刻画了在一般Guass Markov模型下的Xβ的最佳线性无偏估计,并讨论了稳健性问题.

基于极坐标多普勒伪状态的最佳线性无偏估计算法

理论和实践已经证明,除位置量测外,包含目标速度信息的多普勒量测具有有效提高目标状态的估计精度的潜力。基于目标匀速运动场景在直角坐标系下提出了一种可使用多普勒伪量测(即距离量测与多普勒量测的乘积)和多普勒伪状态的跟踪算法。从理论上讲,它是在最佳线性无偏估计准则下的近似最优线性无偏滤波器,并且避免了量测转换方法的根本缺陷。通过与目前几种流行的方法进行仿真比较,验证了新算法的优越性和可靠性。

混合模型及其导出模型下可估函数的最佳线性无偏估计研究

讨论了在混合模型(y,xβ+Uζ,σ20V0)及其导出模型下,可估函数的最佳线性无偏估计之间的关系,证明了当可估函数的最佳线性无偏估计存在时,它在混合模型及其导出模型下的一致性.

最佳线性无偏估计的稳健性

基于Gauss-Markov模型讨论了最佳线性无偏估计的稳健性,证明了存在一个以矩阵为元素的线性空间,对于这一线性空间中的任意正定矩阵Π都满足p′(X′Π-1X)-X′Π-1Y是可估函数p′β的最佳线性无偏估计。

极值分布基于最佳线性无偏估计的异常数据检验

文章针对样本数据服从极值分布、样本中出现异常数据的检验问题进行了研究。首先基于尺度参数σ的最佳线性无偏估计(BLUE),并利用次序统计量的贡献率,构造了检验统计量,然后通过Monte-Carlo模拟得到了检验统计量的分位数,给出了异常数据的疑似个数和具体检验方法,最后通过实例说明所给出的检验方法是可行的。

广义增长曲线模型参数阵的最佳线性无偏估计

对于增长曲线模型Y=X1BX′2+ε,E(ε)=O,D(ε)=D(Vecε)=V2V1,在V1,V2均为非负定矩阵的情况下,利用最小二乘统一理论及矩阵拉直方法,给出了未知参数阵B的可估矩阵函数Z1BZ′2的最佳线性无偏估计,将有关文献的结果推广到更一般的情况。

加权平衡损失函数下回归系数的最佳线性无偏估计（英文）

这篇文章我们研究了回归系数的最佳线性无偏估计.在加权平衡损失函数下,我们得到了回归系数的最佳线性无偏估计.同时提出了度量最佳线性无偏估计和最小二乘估计的相对效率.并且我们给出了它们的上下界.

最佳线性无偏估计中的W—K统计量

本文提出了最佳线性无偏估计中的W—K统计量,用它讨论了数据的影响,并建立了它与相关系之间的关系,推广了文献[1]和[2]的结果。

最佳无偏整体估计方法

提出一种最佳无偏整体估计方法 ,给出整体参数的估计量及其协方差公式 ,建立正态分布、Weibull分布和极值分布等位置—尺度分布族的点估计与区间估计。传统的回归分析只适用于正态分布和完全数据 ,最佳无偏整体估计方法则将回归分析推广到工程中常见的位置—尺度分布族和截尾数据的情况。该方法可以将不同条件 (状态 )下的试验数据作为一个整体进行统计推断 ,能够全面开发利用不同条件下试验数据之间的横向信息 ,使其可利用的信息量远远大于只能分别在各自条件下对试验数据进行处理的传统最佳线性无偏估计方法。最佳无偏整体估计方法对一种条件下只有一个失效数据的情况也能进行分析 ,传统最佳线性无偏估计方法则要求在一种条件下有较多的失效数据 ,因此前者具有小样本性质 ;并且前者的参数估计量是所有条件下顺序统计量的线性函数 ,后者的参数估计量只是一种条件下顺序统计量的线性函数 ,所以前者的参数估计量具有更好的正态分布特性。大量MonteCarlo模拟和工程应用表明 ,在试样数相同的情况下 ,文中方法比传统方法具有更高的精度 ,而在精度相同的情况下 。

奇异线性模型下最小范数二次无偏估计关于误差分布的稳健性

讨论奇异线性模型下方差σ2的最小范数二次无偏估计关于误差分布的稳健性问题,得到方差的最小范数二次无偏估计保持最优的误差项的最大分布类.进一步考虑可估计函数Xβ的最佳线性无偏估计的稳健性,得到了Xβ的最佳线性无偏估计与方差σ2的最小范数二次无偏估计同时最优的误差项的最大类.

分块线性模型中Bayes线性无偏估计的可加性

得到了βi在线性模型M=(y,X1β1+X2β2,T)下的Bayes线性无偏估计与其在小模型Mi=(y,Xiβi,T)下的Bayes线性无偏估计相等的充分必要条件,i=1,2;并考虑了Xiβi在小模型Mi下的Bayes线性无偏估计之和与Xβ在全模型M下的Bayes线性无偏估计之间的相等关系.

一般混合线性模型联合估计的一个最优性

本文从一个新的角度 ,刻划了一般的混合线性模型的一个最优性质 .这一性质比最小方差性更为直观 .