Mlinex损失函数下反向帕累托分布形状参数的Bayes估计

文章研究了Mlinex损失函数下反向帕累托分布的参数估计问题。在已知反向帕累托分布位置参数的情况下,给出形状参数的五种估计方法:极大似然估计、最大后验估计、经典Bayes估计、多层Bayes估计、E-Bayes估计,并推导出相应估计方法下的具体表达式。利用MC方法在R软件下进行数值模拟,对比模拟数据确定了参数估计的最优环境,并验证了估计方法的合理性和估计结果的准确性与稳健性,得到了E-Bayes估计为最优估计方法的结论;最后利用最优估计方法对实例进行数据拟合,确定了新疆县市级城市的人均城市道路面积可以利用反向帕累托分布近似拟合,并结合最终数据给出了相应的数据分析。

复合Mlinex损失函数下艾拉姆咖分布参数的Bayes估计

在本文中,我们采用了一种复合的Mlinex损失函数作为研究的基础准则,艾拉姆咖是一种衡量统计模型优良性的指标,通常用于模型选择。当我们在模型中引入逆伽玛分布作为先验分布时,我们利用Mlinex损失函数来评估艾拉姆咖指标的表现,并且讨论了该分布下三种不同的参数估计方法:Bayes估计、E-Bayes估计和多层Bayes估计。为了验证这些估计方法的性能,本文采用了数值模拟的方法。通过构建模拟数据集,并应用上述估计方法,可以观察它们在不同情况下的表现。模拟结果显示,这三种估计方法都表现出了良好的稳健性。

复合Mlinex损失函数下对数Weibull分布参数的Bayes估计

基于复合Mlinex损失函数,研究了对数Weibull分布的参数在先验分布为伽玛分布下的Bayes估计,E-Bayes估计和多层Bayes估计。并且用数值模拟的方法进行验证,结果表明3种估计方法的稳健性好。

MLinex损失函数下幂函数分布参数的Bayes估计

鉴于幂函数分布在生存或故障时间分析中的重要性,研究了MLinex损失函数下幂函数分布参数的Bayes估计问题.首先,给出了幂函数分布参数在MLinex损失函数下的Bayes估计一般表达式和先验分布为Gamma分布时的精确表达式;之后,证明了该参数的Bayes估计量是可容许的;接着,在给定可信水平下利用样本信息给出了参数的最大后验区间估计;最后,通过数值实验说明了该参数的Bayes估计值比极大似然估计值、矩估计值和修正的矩估计值更接近于真实值.

Mlinex损失函数下几何分布参数的Bayes估计

在Mlinex损失函数下,文章讨论了几何分布可靠度的Bayes估计问题,在可靠度的先验分布为贝塔共轭先验分布和幂分布下,得到了可靠度的Bayes估计,并证明了它的容许性。当可靠度先验分布为贝塔分布时,给出三类不同超参数的E-Bayes估计和多层Bayes估计,并在一定条件下得到E-Bayes估计、多层Bayes估计具有等价性。利用Monte Carlo数值模拟对几种估计进行比较。

加权平方损失函数和MLINEX损失函数下一类分布族参数的Minimax估计

文章考虑一类分布族:F(x;θ)=1-[g(x)]θ(A≤x≤B,θ>0),其中g(x)是关于x单调递减的可微函数,且g(A)=1,g(B)=0,在加权平方损失函数和MLINEX损失函数下,得到了参数的Bayes估计和Minimax估计。

Mlinex损失函数下逆伽马分布尺度参数的Bayes估计

在Mlinex损失函数下,本文首次讨论了逆伽马分布尺度参数的Bayes估计及其可容许性,并对该分布的一个充分统计量的逆线性形式的容许性进行了分析,然后使用蒙特卡洛模拟阐明小样本情形下尺度参数的Bayes估计的精度一般优于其最大似然估计和Minimax估计,与一致最小方差无偏估计相当。

Mlinex损失函数下广义指数分布形状参数的Bayes估计

文章给出了Mlinex损失函数下两参数广义指数分布形状参数的Bayes估计及其容许性,并对该分布的充分统计量的逆线性形式的容许性进行讨论.最后通过蒙特卡洛模拟说明Bayes估计在小样本情形时的优良表现。

MLINEX损失函数下具有风险相依效应的信度模型

该文既考虑了制定保费的公平性、合理性,又考虑了各风险组之间的相依效应,利用信度理论的方法得到了MLINEX损失函数下Bühlmann-Straub模型的具有特殊相依效应的信度保费,进而推导出MLINEX损失函数下Bühlmann模型的具有此种相依效应的信度保费,也得到了结构参数的估计量,因此,推广了经典信度理论.

Mlinex损失函数下艾拉姆咖分布的Bayes估计

文章在Mlinex损失函数下讨论了艾拉姆咖分布参数θ的Bayes估计,获得Bayes估计θ_B,并说明了其可容许性。最后通过数值模拟,说明艾拉姆咖分布在Mlinex损失函数下的Bayes估计的合理性及优越性。

Mlinex损失函数下的信度保费

在经典信度理论中,通常用对称损失函数作为衡量预测结果好坏的标准,忽略了拟合度的重要性.为使信度模型更好地应用于实际中,用Mlinex损失函数解决经典信度模型中由对称损失函数引起的高保费征收问题,推导出在Mlinex损失函数下的贝叶斯保费和信度保费,并验证了贝叶斯保费和信度保费的相合性.数值模拟结果表明,Mlinex损失函数下的信度保费优于经典信度保费.

Mlinex损失函数下广义Pareto分布的Bayes估计

针对两参数广义Pareto分布的Bayes估计问题进行研究.运用Bayes定理,得到在Mlinex损失函数下分布参数的Bayes估计,并给出参数的Bayes置信下限及最大后验区间估计.

对数误差平方损失函数和MLINEX损失函数下一类分布族参数的Minimax估计

考虑如下一类分布族:F(x;θ)=1-[g(x)]θ,A≤x≤B,θ>0,其中g(x)是关于x单调递减的可微函数,且g(A)=1,g(B)=0.在对数误差平方损失函数和MLINEX损失函数下,得到了参数的Bayes估计和Minimax估计.

MLinex损失函数下Gamma分布的尺度参数的Bayes估计

在MLinex损失函数下,利用Bayes估计方法研究了Gamma分布的尺度参数的Bayes估计,并证明了其容许性.结果是:在Mlinex损失函数下得到了Gamma分布尺度参数唯一的Bayes估计的一般表达式及其精确表达式,并证明是可容许的.最后通过数值分析实例,说明了所用的参数估计方法是合理可行的.

Mlinex损失函数下的信度递归模型

用Mlinex损失函数代替平方损失函数,得到了一个信度递归模型,即第t+1年的信度保费是第t年的索赔额、第t年的信度保费和集体保费的加权和.证明了该信度递归模型对年份较近的索赔额赋予更大的权重,对年份较远的索赔额赋予较小的权重.

Mlinex损失函数下Lomax分布的几种Bayes估计

本文针对两参数Lomax分布Bayes估计问题进行了研究.主要运用Bayes定理和减函数,得到了在Mlinex损失函数下,两参数Lomax分布中尺度参数已知时形状参数的多层Bayes估计和E-Bayes估计,并对几种Bayes估计的结果进行了比较.从定理结果来看,Bayes估计在应用上更为方便.

Mlinex损失函数下Weibull分布的Bayes估计

基于Mlinex损失函数,在逐步增加Ⅱ型截尾样本下,讨论Weibull分布参数的Bayes估计.取逆伽玛分布为共轭先验分布,给出参数的Bayes估计,证明估计的可容许性.通过数值模拟,说明Mlinex损失函数下估计的稳健性.

基于自适应损失函数的句子级远程监督关系抽取

远程监督关系抽取是一种关系抽取方法,现有方法主要采用多实例学习,在具有相同实体对的样例包上进行关系抽取。但是,包级方法只能缓解却并不能完全解决错误标签问题。基于此,文中首先分析了干净数据和噪声数据的分布,提出了一种新的自适应损失函数;在此基础上,提出了一种基于自适应损失函数的句子级远程监督关系抽取方法。在公开数据集NYT-10以及基于TACRED的合成数据集上的实验结果表明:文中提出的方法优于对比文献中的方法,能够更有效地区分错误标签噪声样例和干净样例,提高了句子级远程监督关系抽取的准确率。

基于低风速功率修正和损失函数改进的超短期风电功率预测

风电功率具有较强的波动性和随机性。为进一步提升风电功率的预测精度,提出一种基于低风速功率修正和损失函数改进的超短期风电功率预测模型。该模型采用卷积神经网络、自注意力机制和双向门控循环单元捕获风电功率序列的长期时序依赖关系。为了解决低风速下待风状态神经网络难以精确拟合的问题,模型通过预测风速并结合当前时段的风电功率对低风速段的预测功率进行修正。针对参数训练的稳定性问题,模型通过改进预测策略和共享权重,引入一种多元非线性的损失函数来提取序列间的关联性。结果表明,所提模型在多项误差指标中均优于对比模型,能够有效提升超短期风电功率的预测效果。

面向类别不平衡语义分割的损失函数的研究

在图像语义分割的任务中,数据集的类别不平衡分布是一种普遍存在的现象;通过构造更加有效的损失函数来减轻其带来的不利影响是具有较大研究价值的。以损失函数为研究对象,利用训练样本像素的空间分布特性和相关性,改进了Focal损失函数的尺度度量方法,提出了一个基于迭代批次的权重自适应调整的Adapt-Focal损失函数。以类别不平衡的SAR图像数据集GDUT-Nansha为实验对象,采用三个经典的卷积神经网络DeepLabV3+、U-Net和RWL-ENet完成了定量实验。实验结果表明,所提出的Adapt-Focal损失函数相比于CE、FL、dfl、acw、lovász和softiou损失函数,有效提高了少样本地物类别裸地和道路的分割精度IoU和PA值;同时,整体分割精度指标mPA和mIoU均得到较大幅度的提高。验证了Adapt-Focal损失函数在类别不平衡图像语义分割中的有效性。