E-MS算法的收敛性

考虑E-MS算法的收敛性.首先,给出观测广义信息准则(GIC)最小值点的必要条件;其次,在模型空间有限性、参数空间紧性、Q函数连续性的条件下,证明E-MS算法产生序列的极限点满足观测GIC最小值点的必要性,是对E-MS算法全局收敛性的补充;再次,给出满足该必要条件但不满足全局收敛条件高斯图模型的一个实例;最后,证明E-MS算法的全局收敛性.

基于E-MS算法的含缺失数据图模型选择的模拟研究

图模型是处理高维数据的有力工具,其中图模型的选择是统计推断的重要方面.利用E-MS算法进行缺失数据的图模型选择.E-MS算法是基于EM迭代思想的,把模型下的参数和模型选择参数统一为新的参数,这样模型选择就成为E-M迭代过程的一部分.最后给出了3,4,5变量情形下的模拟研究.

IRT模型参数估计的新方法--MCMC算法

本研究主要探讨MCMC算法在IRT模型参数估计中的实现及其估计精度。通过模拟多种实验条件(人少题少、人题适中、人多题多、被试数及其参数固定情况下项目数变化、项目数及其参数固定情况下人数变化),考察两参数和叁参数Logistic模型的MCMC算法对其参数估计的精度,并与国际通用测量程序-Bilog程序(E-M算法)进行比较研究。模拟实验研究表明,上述各种实验条件下,MCMC算法均可用于IRT模型参数估计,且其估计的精度均较Bilog程序(E-M算法)高,值得推广。

序列图像超分辨率联合重建算法

序列图像超分辨率重建研究方法一般分为2类。第一类,将低分辨率图像配准和超分辨率重建视为相互独立的2个过程,对低分辨率图像进行配准之后再估计高分辨率图像。然而,低分辨率图像中的混叠分量会影响配准精度,进而影响图像超分辨率重建。第二类,图像配准和超分辨率重建联合实现的方法,此类方法考虑了配准和重建的相互关系,能够减轻混叠对配准的不利影响。本文主要针对第二类方法中的3种典型算法进行综述分析和研究。

成败型寿命试验──GLM和E-M算法

成败型寿命试验──ＧＬＭ和Ｅ－Ｍ算法王学仁云南省应用数学研究所石磊（云南大学统计系，昆明６５００９１）１９９０年１０月１５日收到．１９９２年８月２４日收到修改稿．一、引言在可靠性分析中，成败型寿命试验是经常碰到的问题．某些产品随着时间的推移，其可靠程...

基于马尔科夫状态转移模型的股指收益率研究

金融资产收益率的分布是金融资产投资和风险管理等应用中的重要决定因素。针对经济和金融的潜在状态改变可能引起金融资产收益率分布结构性变化的现实情况,提出考虑收益率分布的时变性,将马尔科夫状态转移结构应用于中国股票指数对数收益率分布的建模,并提出使用混合正态分布模型刻画股指收益率在各状态的分布,建立隐马尔科夫状态转移-混合正态分布(HMS-MND)模型,使用期望最大化算法(E-M算法)和Baum-Welch算法给出模型的参数估计,采用2002年7月1日至2010年10月29日沪深两市11种主要股票指数的对数日、周收益率作为实证数据。模型参数估计和似然比检验结果表明,大部分股票指数收益率的分布中都存在显著的马尔科夫状态转移结构,且HMS-MND模型可以较好地刻画对数收益率分布的高阶矩统计特征。因此,引入马尔科夫状态转移结构对股指收益率的相关研究具有重要意义。