关于分布变点问题的非参数统计推断

若X1,… ,Xr,Xr+ 1,… ,Xn 是一列独立的随机变量 ,且X1,… ,Xriid .～F1及Xr+ 1,… ,Xniid .～F2 ,其中F1(已知 )与F2 (未知 )为两个不同的连续分布函数 ;称r/n(记为t0 )为该序列的变点 .用Kolmogorov型统计量 ,我们给出了检测变点t0 位置的一个程序 ,并证明了所得结果是强相合的 ;同时也讨论了t0

基于非参数贝叶斯推断的MPSK信号调制识别(英文)

依据星座图采用非参数贝叶斯方法对多元相移键控(MPSK)信号进行调制识别.将未知信噪比(SNR)水平的MPSK信号看成复平面内多个未知均值和方差的高斯分布依照一定的比例混合而成,利用非参数贝叶斯推断方法进行密度估计,实现对MPSK信号分类目的.推断过程中,引入Dirichlet过程作为混合比例因子的先验分布,结合正态逆Wishart(NIW)分布作为均值和方差的先验分布,根据接收信号,利用Gibbs采样的MCMC(Monte Carlo Markov chain)随机采样算法,不断调整混合比例因子、均值和方差.通过多次迭代,得到对调制信号的密度估计.仿真表明,在SNR>5dB,码元数目大于1600时,2/4/8PSK的识别率超过了95%.

随机向量中的分量负相依变点问题的统计推断

论文讨论了独立随机向量序列X1,X2 ,… ,Xn 中最多只含一个关于分量负相依变点的两个基本统计模型 :(Ⅰ )Xi(i=1 ,2 ,… ,n)是d维独立随机向量 ,存在n0 .当i<n0 ,Xi各分量独立 ;当i≥n0 ,Xi各分量负相依 .(Ⅱ )Xi=ρ0 + ρ1×i+εi,其中εi(i=1 ,2 ,… ,n)是d维独立的均值为 0的随机向量 .当i<n0 ,Xi 各分量独立 ;当i≥n0 ,Xi 各分量负相依 .并还讨论了上述模型中变点n0 的假设检验问题 .

基于样本次序统计量的总体分位数的非参数统计推断

随机总体分位数的统计推断理论与方法一直是统计学研究的重要课题.其主要原因是分位数的应用涉及众多领域,且在各领域的研究中起到举足轻重的作用.本文系统地论述了基于样本次序统计量的总体分位数的非参数统计推断的理论和方法;给出了基于样本次序统计量的总体分位数的估计方法,总体两个分位数之差的置信区间,总体容许区间的求解方法及符号检验.希望有助于读者的科研与应用.

考虑矩阶数的最大熵方法及其在水文随机模拟中的应用

最大熵原理(POME)是一种理论完善的非参数分布推断方法,近年来已开始应用于水科学领域。POME本质上作为多约束最优化问题,所得分布取决于约束条件的形式。以往基于POME的研究缺乏对约束条件的讨论,即主观规定最大矩阶数,这可能导致所得最大熵分布非最优分布。针对该问题,首先对常用分布下样本矩的收敛性进行讨论,并给出了确定最优矩阶数的理论–经验分析思路,从而提出了一种考虑矩阶数的POME推断框架。应用该方法对长江、黄河代表测站的水文分布模式进行识别,并探讨了POME在水文随机模拟中的适用性。对矩阶数的讨论进一步完善了POME方法,实例结果表明随机序列基本反映实测序列的统计特征,模拟效果优良。