一种多元均值混合正态分布参数的极大似然估计

以Madadi等提出的数学模型与概率密度函数为基础,证明了多元均值混合正态分布的性质,讨论了MMNE分布参数的极大似然估计问题,利用ECM算法对MMNE分布的位置参数、尺度参数、偏度参数进行了参数估计计算,给出了计算方法和迭代公式。实例分析表明,所提出的偏态数据下MMNE分布参数估计模型合理且实用。

基于不确定理论的非线性回归模型参数的极大似然估计方法的研究

利用不确定理论的极大似然估计方法,对非线性回归模型参数给出了估计方法,并进行了数据仿真。在数据仿真中发现,当响应变量数值较大时,误差较大。于是将这个非线性模型转换为线性模型方法做了改进。让误差项与预测值保持相加的形式,使误差范围可以得到减小,数据仿真发现此改进方法有效。

含空间自相关误差项的非参数回归模型的调整经验似然估计

利用调整经验似然的方法,研究了含空间自相关误差项的非参数回归模型的调整经验似然估计问题。通过鞅差序列处理该模型估计方程中出现的线性二次型形式,构造出该模型的经验似然比统计量。针对经验似然估计方程可能不存在解的情况构造调整经验似然比统计量,证明了该调整经验似然比统计量是渐近卡方分布的,并且对该调整经验似然比统计量的渐进功效进行了研究。

基于边缘似然最大化的信号源参数估计

边缘似然最大化算法在远场信号源定位的应用已有研究,但是目前仍然没有将其推广延伸至近场信号。由于近场信号源与远场信号源之间存在着延伸关系,将上述理论自远场源延伸至近场源的研究不仅具有充分的可行性,也具有很大的实用价值。该方法将在边缘似然最大化理论远场源情况参数估计的基础上,避开传统估计方法的缺点,一方面设计并实现合理的算法流程,对算法的性能进行统计分析,另一方面对其做更进一步的延伸和研究探索,设计出在近场源情况下的全新参数估计算法,实现边缘似然最大化理论自远场源至近场源应用的推广。已设计的算法虽然在源数不多的情况下取得了良好的效果,但是在源个数增多的情况下性能有所下降。所提方法提高了模型的稳定性,并通过实验证明了该改进的有效性,具有理论意义与实际应用价值。希望其成果能够对声呐、移动通信和地震勘探中的目标定位和跟踪等技术的发展起到积极的促进作用。

非齐次泊松过程中向量参数极大似然估计的重对数律

对于具有向量参数的非齐次泊松过程的一般模型，论证了向量参数极大似然估计每个分量的收敛速度符合重对数律。

改进的非线性连续－离散系统的极大似然参数估计及其应用

对Ｊａｔｅｇａｏｎｋａｒ等人给出的同时计及过程及观测噪声的非线性连续－离散系统的极大似然算法从两个方面进行了改进：１）给出了计算灵敏度的最佳摄动有限差分算法，避免了普通有限差分法计算灵敏度矩阵时需人为选择参数摄动量大小而带来的缺点；２）给出了具有快速三角化平方根滤波的极大似然算法，提高了原算法的数值稳定性．上述改进算法经应用于飞行器系统参数估计证明了方法的有效性。

非高斯噪声模型参数的最大似然快速估计

研究了C1ass A统计物理模型,对该模型的参数估计提出了一种最大似然方法,利用FFT的优势降低运算量,通过对观测数据进行分类计算以保证精度要求,并设计了初始值估计方案.仿真实验表明,该方法精度高,迭代次数少,有较高的应用价值.

非高斯AR序列参数的最大似然估计

自回归模型参数的最小二乘估计应用于非高斯数据,有效性便不复存在,而充分利用了概率密度信息的最大似然估计却仍然是该问题的有效估计.使用混合高斯自回归模型描述该类估计问题之后,讨论了其克拉美-罗限,导出了非高斯自回归序列参数的最大似然估计,给出Newton-Raphson迭代解法,并且探讨了如何加快这一迭代算法的收敛和如何将估计算法应用于实际数据两个细节问题.最后给出一组仿真实例,对比检验了最大似然估计和最小二乘估计的效果.

非参数回归模型的局部似然估计方法及应用

文章主要研究非参数异方差回归模型的局部极大似然估计问题。首先,利用局部逼近的方法,得到了回归均值函数的局部极大似然估计。然后,考虑到回归方差函数的非负性,利用局部对数线性拟合的方法,得到了方差函数的局部估计,保证了估计量的非负性。最后,通过对城镇居民消费与收入的实证研究,说明了非参数回归模型的局部似然估计法比普通最小二乘估计法的拟合效果更好。

一种用于推算感染时间曲线的非参数极大似然估计方法

目的:研究通过传染病发病时间曲线推算感染时间曲线的方法。方法:采用基于EMS算法的非参数极大似然估计方法,根据传染病的发病资料和潜伏期资料推算感染时间曲线,并用于中国内地SARS感染时间曲线推算。结果:通过Mat-lab编程,所采用的方法可以方便地估计出感染时间曲线,并可平滑个体数据的波动。用于推算中国内地SARS感染时间曲线,发现感染时间曲线平滑稳定,有明显的2个高峰,感染高峰与实际发病高峰间隅5 d左右;发病人数(4 634例)与估计的感染人数(4 633.6例)相差在0.5例以内。结论:基于EMS算法的非参数极大似然估计3-法对于感染时间曲线的估计是可靠的,可以用于SARS感染时间曲线的推算。所推算的感染时间曲线有助于干预措施被果评价。

非中心t分布非中心参数的最大似然估计

文章运用迭代算法求出非中心参数最大似然估计的数值解,并与其矩估计做模拟比较,用偏差和均方根误来衡量估计的优劣。结果表明,最大似然估计具有更小的均方根误,尤其是在样本量与自由度较小或者非中心参数较大的情况下。最大似然估计具有更小的均方根误,而且具有泛函不变性、一致性和有效性等优良性质。

改进蚁群优化算法的最大似然DOA估计方法

针对将连续域蚁群优化算法应用于最大似然(maximum likelihood,ML)估计中存在计算量过大的问题,提出一种基于改进蚁群优化(modified ant colony optimization,MACO)算法的最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计方法.采用精英反向学习策略获得较优初始解群体,结合全局跨邻域搜索和高斯核函数局部搜索对蚁群的寻优方式进行优化,扩大了算法的搜索空间并加快了收敛速度,最终得到ML估计方法的非线性全局最优解.仿真结果表明,与基于粒子群优化(particle swarm optimization,PSO)算法、蚁群优化(ant colony optimization,ACO)算法的ML估计方法相比,ML-MACO算法的收敛速度是ML-ACO算法的4倍,计算量是ML-ACO算法的1/3,分辨成功率高于ML-PSO算法和ML-ACO算法,估计误差小于ML-PSO算法和ML-ACO算法.ML-MACO算法以更低的计算量保持了ML算法的优良估计性能,收敛性能更优且估计精度更高.

基于非参数估计与随机模拟的不确定数据流相似性度量方法

针对不确定数据流对象难于度量相似性的问题,本文提出一种非参数估计与随机模拟相结合的方法。本方法利用非参数估计对不确定数据流对象建模,然后利用随机模拟计算对象间的误差相似性,通过相对距离与绝对距离判断相似度。仿真实验验证了本方法不仅可以准确地度量不确定对象间的相似性,而且在对象规模较大的情况下,依然可以获得较快速和稳定的计算结果。

面板数据公共变点的非参数最大似然估计

用非参数最大似然的方法研究了面板数据中带有单个公共变点的问题,估计了变点的位置,并且证明了变点估计量的相合性,得到了收敛速率.

基于遗传算法的最大似然参数优化估计

用最大似然法进行参数优化估计时,为了避免常规优化算法由于受迭代初值的影响不易收敛到全局最优解的缺点,文中采用遗传算法,不再需要估计优化变量的初始值即可获得全局近似最优解。建立以似然函数为目标,求其极大值点即可确定参数最优解的优化模型。为了更好地确保遗传算法获得全局最优解,在传统遗传算法的基础上采用尺度变换适应度函数、并行操作、保留最优个体等方法,进一步保证方程解的精度。最后以威布尔分布为例进行参数估计,结果表明,改进的遗传算法可以在求解效率和收敛性能上达到较好的平衡,能更好地将优化方法与最大似然估计法相结合。

一种LFM信号最大似然估计模型与参数估计快速算法

从最大似然估计模型入手,提出了一种适合在一般高斯噪声环境(包括色噪声)下LFM信号目标的参数估计模型和基于此估计模型的调频斜率和初始频率估计的快速算法。此方法获得了最大似然方法估计精度高的优点,且运算量比传统的最大似然方法大大降低。另外推导出了一般高斯环境下的LFM参数估计的CRB界,为一般高斯环境下的估计的参数的方差提供实际下界。

基于EM算法的极大似然参数估计探讨

首先介绍了EM算法 ,然后研究了基于EM算法的混合密度极大似然参数估计 ,最后利用计算机仿真验证了此算法的收敛性和有效性 .

基于粒子群优化理论的可靠性分布模型的极大似然参数估计法

针对有些复杂分布模型采用常规极大似然法很难直接进行参数估计,将粒子群优化理论引入极大似然法,提出了基于粒子群优化算法的新的参数估计方法,并通过实例模拟论证了该方法的可行性与有效性。

三参数Weibull分布参数的极大似然估计数值解法

利用降阶思想,给出了一种新的求解三参数Weibull分布参数的极大似然估计数值方法。该方法首先假定形状参数已知,将三元方程组转化为二元方程组,并用二分法求解该二元方程组的数值解,然后将尺度参数和位置参数表示成形状参数的函数,此时极大似然函数仅是关于形状参数的单变量函数,再次应用二分法即可得出形状参数的最优估计结果。该算法稳定,不需要赋予初始值,对样本数量没有限制。与其他方法相比,具有计算精度高、运算速度快的优点,便于工程应用。