基于DP算法的Poisson回归模型的变量选择

利用已有的DP算法,对Poisson回归模型的似然函数进行优化估计出模型的参数,分别写出Lasso、Adaptive Lasso、SCAD、MCP 4种惩罚似然函数,用DP算法进行求解,实现变量选择.为了实现算法的自动变量选择,在对惩罚参数的选择上,使用了AIC、BIC信息准则.为了验证DP算法的可行性,通过随机模拟的方式生成数据进行求解.在各项指标下,将DP算法与已有的相关算法进行对比.

基于混合Gamma-Poisson分布模型的参数估计与异质性研究

针对连续离散型混合分布的参数估计方法较少,且大多存在高维矩阵求逆或估计效率较低等问题,本文考虑将最小最大化(MM)算法以及组装分解技术应用在Gamma-Poisson混合分布的参数估计中,目的是将高维目标函数分离组装成一系列的低维函数的线性组合,有效地避开高维矩阵求逆的困难。模拟研究表明:MM算法及其组装分解在Gamma-Poisson混合分布模型参数估计中具有较强的准确性和稳定性。将Gamma-Poisson混合分布模型应用到比利时离婚期限数据中,发现Gamma-Poisson混合分布模型对这一组异质性的连续离散型数据具有较好的拟合效果。

基于Poisson-Markov场的超分辨力图像复原算法

图像的超分辨力复原和信噪比的提高是图像复原追求的目标 .Poisson ML图像复原方法 (PML)具有很强的超分辨力复原能力 ,但在复原过程中会产生振荡条纹且对带噪较大的图像不能取得理想的复原效果 .在Poisson和Markov分布假设的基础上 ,提出基于Poisson Markov场的超分辨力图像复原算法及其正则化参数的自适应选择方法(MPML) .实验表明 ,MPML算法不但具有很好的超分辨力复原能力 ,而且能有效减少和去除复原图像中的振荡条纹 ,对于带噪较大的图像也能取得理想的复原效果 ,因此其图像复原质量明显好于PML算法 .正则化参数能被自动优化地选择且与图像复原的迭代运算同步进行 .

基于启发式回溯算法的平面移动式立体车库RGV调度策略

为了提高立体车库路径规划阶段的兑现率,对有轨引导小车(rail guided vehicle,RGV)运行过程及行程时间进行分析,给出了符合并行调度模式的路径重叠率计算方法,针对立体车库作业特征提出了一种值排序启发式(value ordering heuristics,VOH)回溯算法,构建路径节点滑动时间窗,以单位时间窗内任务请求数作为约束函数,通过评估函数对扩展结点性能进行估值并排序,并利用VOH-预剪枝策略对部分结点进行剪枝,以此提高算法求解速度。在非齐次泊松到达过程下进行仿真,实验结果表明,值排序启发式回溯算法可有效降低RGV并行运行过程中时间、空间的路径重叠率,在该实验规模的立体车库模型中发挥稳定,表现为在RGV平均利用率基本不变的前提下具有更小的平均服务时间,当顾客到达率为40、25、10、5 veh/h时,RGV平均服务时间分别减少18.07%、13.29%、12.46%、4.27%,为提升立体车库运行效率提供参考。

Poisson曲线的递推求值

计算Bézier曲线上一点的DeCasteljau递推算法和计算B样条曲线上一点的DeBoor递推算法是计算机辅助几何设计(CAGD)领域里的两个经典算法。它们使得计算曲线上一点变得直观和快捷,非常适合用计算机编程实现。文章对Poisson曲线进行了研究,在上述算法的基础上,提出了计算Poisson曲线上一点的递推算法,并将其推广到有理Poisson曲线的情形,提出了有理Poisson曲线的递推算法。

Poisson曲线的升阶算法

在CAGD中,为了增加对Bézier曲线进行形状控制的灵活性,利用Bernstein基函数的升阶公式,可以得到Bézier曲线的升阶算法。将Bézier曲线的这一升阶思想推广到Poisson曲线。笔者根据Poisson曲线的定义,建立了Poisson基函数的升阶公式,利用基函数的升阶公式得到了Poisson曲线的升阶公式。最后阐述了Poisson曲线升阶公式的几何意义,提出了Poisson曲线的升阶算法。

经马氏修正的Poisson过程的极大似然估计

近年来 ,隐马氏模型成为研究相依随机变量的一个十分有用的工具。实际应用过程中的一个很重要的问题是如何对隐马氏模型的参数进行估计。将一类连续时间隐马氏模型的问题转化为离散时间隐马氏模型的问题 ,给出了具体的隐马氏模型———经马氏修正的Poisson过程的极大似然估计及其算法。

不放回样本追加下基于永久随机数抽样技术的多层次推断方法及应用研究

抽样调查如何满足多层次推断的需要是我国政府统计调查在实践应用过程中面临的主要难题之一。本文根据我国现阶段抽样调查工作的实际情况,提出一套完整的适用于多层次推断的抽样调查方法。首先,使用永久随机数对现有抽样框进行更新维护,打破现有方法假设抽样框不变的局限性;其次,采用基于列表–序贯算法的条件Poisson抽样实现多层次推断,消除了固定样本量抽样技术仅适用于一次性抽样调查的限制,同时解决了随机样本量抽样技术样本量不固定的问题;此外,分别使用Sen-Yates-Grundy方法和Deville方法进行方差估计,以提高估计精度;最后,通过数值模拟和应用研究验证所提出方法的有效性。该方法在不显著增加调查经费的情况下,可广泛适用于不同数据类型的目标总体,在企业、住户等经济领域调查中具有可推广性的同时,也可为大数据背景下各级政府在实际解决多层次推断问题方面提供有价值的参考。

基于数据删除的Poisson-Gamma模型的影响评价

为了研究记数数据对于Poisson-Gamma模型的影响,该文通过引入EM算法,利用基于完全数据似然函数的条件期望进行影响诊断分析,并且进一步基于数据删除模型研究全局影响,得到了数据删除模型中参数估计的一步近似和相应的广义Cook距离和Q-距离。最后,利用所得统计量获得一个实际记数数据中的影响点,结果说明该文提出的方法是有效的。

带有约束条件的零一膨胀Poisson回归模型

考虑一类带有一般线性约束条件的零一膨胀Poisson回归模型,给出参数估计的EM(expectation maximization)算法,并利用数值模拟和实际数据分析验证了结果的灵活性和可行性.

基于de Casteljau算法的Poisson细分曲线

de Casteljau算法可以递推地定义一条具有限个控制顶点的Bzier曲线,在此基础上文中提出了基于de Casteljau算法的Poisson细分曲线逼近算法,Poisson曲线完全具备了Bzier曲线的重要性质,并且比Bzier曲线有更广泛的应用范围。最后还给出了n阶Poisson曲线的细分。

半参数双重Tweedie复合泊松回归模型的贝叶斯分析

为了分析健康保险行业中出现的半连续卫生保健费用数据,本文提出一类半参数双重Tweedie复合泊松回归模型.在分析中,首先采用修正鞍点逼近的数值方法去近似Tweedie复合泊松分布的密度函数;其次,利用Gibbs抽样技术和Metropolis-Hastings(MH)算法的混合算法获得了模型参数的联合贝叶斯估计;最后,给出了几个模拟研究以及把这些方法用来分析兰德健康保险实验中的卫生保健费用数据.

基于EM算法的Poisson-Gamma回归的影响诊断

对于Poisson-Gamma回归模型,将来自于Gamma分布的权重看作缺失数据;在此基础上,引入EM算法;从而利用基于完全数据似然函数的条件期望进行影响诊断分析,并且进一步基于正则曲率方法系统研究了各种扰动模型下的局部影响分析,得到相应的诊断统计量.最后,通过一个实例说明了所得统计量的有效性.

椭圆方程五点格式的迭代法与快速算法的比较

主要讨论在椭圆方程五点格式的问题中,分别使用Gauss-Seidel迭代法与快速Poisson算法对其求解,并对二者求解该线性方程组的速度进行比较。在系数矩阵是稀疏的大型线性方程组中,迭代法是一个很好的求解该类型的算法,主要是因为给定一个初始向量,通过一定的迭代公式,可以求得之后任意一次迭代的结果,且运算简便,但是,对于迭代法所求得的近似解是否收敛于精确解,并且,在线性方程组有快速算法的情况下,迭代法是否还能在求解方程组中占优势,还需进一步比较。通过比较不同的系数、不同的步长[λ]以及不同的误差要求,来判断Gauss-Seidel迭代法与快速Poisson算法的优劣。

基于贴近摄影技术的旭龙水电站高陡边坡精细实景三维重建

旭龙水电工程坝址区河段谷坡高陡,工程建设后左岸将形成坝肩高边坡。针对高陡边坡围岩落石等突发性安全问题,提出一种基于贴近摄影的泊松重建改进算法,对边界点的深度值和权值作调整,根据三角网所构成曲面的局部曲度变化来精简TIN,再与纹理影像进行配准和贴图,得到测区实景三维模型。结果表明:贴近摄影相比倾斜摄影数据能够明显提高实景三维模型的坐标精度与精细程度,泊松重建改进算法能够改进重建模型表面棱角不够突出、平面不够平整的问题。该方法不仅能大大提升三维模型地形结构的完整性,还能为工程后期施工图设计提供精确的参考资料,可为旭龙水电工程坝址区及类似工况地区的地质灾害预防提供重要依据。

Poisson Log-normal回归模型的影响评价(英文)

本文利用EM算法研究了来自于Lognormal分布权重的混合Poisson模型,即Poisson Lognormal回归模型,从而利用基于完全数据似然函数的条件期望进行影响评价.基于数据删除模型和局部影响分析方法,分别得到了广义Cook距离、Q距离和三种不同扰动模型下的正则曲率度量等诊断统计量.

Poisson-Lindley回归模型基于EM算法的诊断分析(英文)

利用EM算法研究了来自于Lindley分布权重的混合Poisson模型,即Poisson-Lindley回归模型,从而利用基于完全数据似然函数的条件期望进行统计诊断和局部影响分析,得到了几个有用的诊断统计量,并用一个数值实例说明了所得统计量的有效性.

纳米晶SEM图像复原的非凸高阶全变差方法

针对获得的纳米晶SEM图像中存在泊松噪声的现象,建立一个基于非凸高阶全变差正则化的去噪模型。提出的新模型融合了非凸势函数和高阶全变差约束的优点,这种结合有助于克服阶梯假象并保持图像的细节特征。为了求解新模型,结合算子分裂法和迭代重加权L1算法,提出一个改进的交替最小化算法。与其他模型相比,模拟实验和真实实验结果证明了新方法的有效性和优越性。

基于顶点中心有限元算法的重力场矢量和重力梯度张量高精度模拟

密度非均质性引起的重力异常由三维泊松方程控制,而目前大多数正演模拟方法都依赖于其积分解和以单元为中心的数值方法。当利用重力位计算重力场时,这些数值策略将不可避免地失去准确性。为了缓解这一问题,本文提出了一种高效、准确的高阶顶点中心有限元方法来模拟三维重力异常。首先,通过具有六面体网格的顶点中心有限元来建立正演算法,并选用ILU-BICGSTAB迭代方法求解大型对称稀疏线性方程组。其次,为了获得重力位的一阶导数和二阶导数,采用了高阶拉格朗日插值技术。最后,采用三维立方体密度模型测试了顶点中心有限元算法的准确性,并利用薄垂直矩形棱镜模型和实测模型测试了算法的灵活性。数值结果表明,高阶顶点中心有限元算法能获得高精度的重力场矢量和重力梯度张量。与精确积分解和顶点中心算法相比,高阶顶点中心有限元格式在模拟三维重力异常方面表现出更高的效率和准确性。同时,相较于单元中心数值解,高阶顶点中心有限元算法在模拟三维重力异常表现出更高的效率和准确性。

零浮动Poisson项目计数法在敏感数据抽样调查中的应用

文章将Poisson-Poisson项目计数法进行推广,提出零浮动Poisson项目计数法,其中,非敏感辅助变量来自于一个参数已知的零浮动Poisson分布。并给出了该模型下敏感参数极大似然估计的EM算法以及构造其置信区间的bootstrap方法。此外,还对该模型保护受访者隐私的能力加以讨论,发现该模型的隐私保护要优于Poisson-Poisson项目计数法。最后,从随机模拟的结果表明在该模型下利用本文所介绍的分析方法可以得到敏感参数的较为准确的估计。