Stein损失下BP神经网络分类方法在人脸识别中的应用

在统计判决理论的框架下,针对一类特定目标人脸识别中存在的问题,提出了基于Stein损失的BP神经网络分类方法,证明了Stein损失下的BP神经网络的收敛性,经过剑桥大学ORL人脸库的图像识别实验,表明这种方法能有效解决传统的BP神经网络特定目标人脸识别中存在的问题.

多元正态分布熵的Stein型和Brester-Zidek型估计

基于一些随机样本,在Linex损失下估计期望及方差阵都未知的多元正态分布的熵。在仅依赖于|S|的估计类中,熵的最优仿射同变估计δc*是可容许估计,但在一些范围更大的估计类中,δc*是不可容许估计。文章首先用Stein型估计δ?ST去改进δc*,但Stein型估计不是光滑的,然后用具有光滑性的Brester-Zidek型估计去改进δc*,进一步研究知Brester-Zidek估计是可容许估计,也是Bayes估计。

平衡损失下回归系数stein压缩估计的性质

在平衡损失风险函数准则下,研究线性模型中回归系数的stein估计优于最小二乘估计(LS)的充分必要条件,然后在pitman closeness(PC)准则下比较了stein估计相对于最小二乘估计的优良性。

具有正态逆伽玛先验的正态分布中的方差参数在Stein损失下的贝叶斯后验估计量（英文）

对于先验分布为正态逆伽玛分布的正态分布的方差参数,我们解析地计算了具有共轭的正态逆伽玛先验分布的在Stein损失函数下的贝叶斯后验估计量.这个估计量最小化后验期望Stein损失.我们还解析地计算了在平方误差损失函数下的贝叶斯后验估计量和后验期望Stein损失.数值模拟的结果例证了我们的如下理论研究:后验期望Stein损失不依赖于样本;在平方误差损失函数下的贝叶斯后验估计量和后验期望Stein损失要一致地大于在Stein损失函数下的对应的量.最后,我们计算了上证综指的月度的简单回报的贝叶斯后验估计量和后验期望Stein损失.

基于无信息先验的分层指数模型参数在Stein损失 函数下的贝叶斯估计

参数估计问题是数理统计学中研究较多的一类问题。本文是基于一个无信息先验的分层指数模型在Stein损失函数下的贝叶斯估计。首先计算分层指数模型分别在平方误差损失函数和Stein损失函数下的贝叶斯后验估计量和相应的后验期望Stein损失(PESL),并且比较二者在两个损失函数下的大小。可以看出在Stein损失函数下的贝叶斯后验期望和对应的PESL均略小于平方误差损失函数下的相应量。然后,计算分层指数模型的参数在Stein损失函数下的贝叶斯估计,并通过均方误差来评价估计量的好坏,得出后验期望估计量拟合得最好。最后通过随机数值和我国31个省市自治区的结婚数据对以上理论进行了模拟和实证,说明了该模型和方法的有效性和实用性。

平衡损失函数下几乎无偏估计的统计性质

在平衡损失函数下,讨论线性回归模型中几乎无偏Liu估计与几乎无偏Stein岭型主成分估计的统计性质.分别给出几乎无偏Liu估计与几乎无偏Stein岭型主成分估计在平衡损失函数下的风险,并在不同条件下讨论这两种风险的关系.