基于二项稀疏算子的整值自回归模型的经验似然推断

整值时间序列可出现在交通、金融、教育、环境、保险等很多领域。稀疏算子是研究整值时间序列的主要方法。本文采用经验似然法研究基于二项稀疏算子的一阶整值自回归模型,并给出新息项为泊松的BINAR(1)模型的经验似然推断及其最大经验似然的估计值。利用数值模拟来研究经验似然估计的表现。最后通过一个犯罪数据的实例给出模型的应用。     

NGINAR(1)模型参数的拟似然估计

利用拟似然法对Ristic提出的几何分布的整值自回归过程(NGINAR(1))的参数估计问题进行研究,得到了参数的修正拟似然估计因子及其极限分布,并做了数值实验,将拟似然估计与Yule-Walker估计及CLS估计进行比较。结果表明:拟似然估计在一定程度上优于Yule-Walker估计及CLS估计。     

极大似然估计和拟极大似然估计模拟之比较

通过对单个协变量的带有测量误差的一维结构回归模型中总体平均处理效应的极大似然估计和拟极大似然估计的随机模拟结果进行比较,发现这两个公式都不受测量误差的影响,并且可以互换使用.当其它误差较小时用两个公式计算结果虽然相差不大,但相比较而言用拟极大似然估计较好,反之,当其它误差较大时用极大似然估计较好.     

拟似然非线性模型的统计诊断

研究了经验似然估计下的拟似然非线性模型的统计诊断问题。首先给出了模型经验似然比函数,进而求出模型的经验似然估计;再基于数据删除模型推导出参数的一阶近似公式,并提出了经验Cook距离;最后通过对实例的分析,验证了该统计方法的有效性和合理性。     

广义线性模型拟似然估计的弱相合性

研究了广义线性模型在非典则联结情形下的拟似然方程Ln(β)=∑ni=1XiH(X’iβ)Λ-1(X’iβ)(yi-h(X’iβ))=0的解βn在一定条件下的弱相合性,证明了收敛速度βn-β0≠op(λn-1/2)以及拟似然估计的弱相合性的必要条件是:当n→∞时,S-1n→0。     

渐近极大似然估计(AMLE)与极大似然估计(MLE)的强一致性

AMLE和MLE的强一致性具有广泛的应用,随着对非参数估计的研究,需要对AMLE和MLE的强一致性进行分析。本文的目的是研究AMLE与MLE的强一致性的一般条件,并说明二者间的密切联系。     

多元退化正态分布参数的极大似然估计

设m维随机向量y服从多元退化正态分布,即y～Nm（μ,V）,其中V≥0且|V|＝0.本文利用矩阵的广义道作为表示工具来讨论参数μ,V的极大似然估计,得到了与非退化情形下表达形式—致的似然估计的一般表达式.     

文化算法的最大似然测向方法研究

针对最大似然(ML)方位估计全局寻优问题提出一种将文化算法用于方位估计的算法,并给出该算法的2个实现版本,即CA-version1利用规范知识调整变量变化步长,形势知识调整其变化方向;CA-version2利用规范知识调整变量变化步长及变化方向.文化算法所具有的双层结构特性,使其在问题求解过程中能够利用经验知识来指导搜索过程,从而具有较好的全局寻优性能.仿真结果表明该方法在获得与AP算法相当性能的情况下有更低的计算量.同时作为一个多进化过程的算法其结构易于并行实现,可以进一步满足实时性的要求.     

基于最大似然估计的时间同步优化算法

为了提高时间同步的精度,利用消息传递过程中的时延呈高斯分布的特性,在 STSP算法的基础上提出一种基于最大似然估计的时间同步算法 MLE-STSP,对时钟偏移量进行估计并修正.仿真实验表明,MLE-STSP算法有效减小了不确定时延的影响,具有更高的同步精度和稳定性.     

考虑多准则似然函数的洪水模拟不确定性评估

受模型概化、输入资料等影响,场次洪水过程模拟仍存在较大的不确定性.采用广义似然不确定性估计方法(generalized likelihood uncertainty estimation,GLUE)和新安江模型相结合的方法,考虑洪峰流量、峰现时间、水量和洪水过程线等多种洪水要素构建多准则似然函数,量化了单一准则似然函数...     

一种非平稳性时间序列的相依性分析

基于时间序列中重要的自回归模型,讨论非平稳条件下的相依性.并结合色散序和线性回归模型,给出变量间相依性随机递增的新刻画方法.最后用蒙特卡罗方法模拟2种常用分布下的数值结果,验证新方法的合理性.     

时序建模与时序谱估计

首先阐述时序建模机理和节省原则（ｐａｒｓｉｍｏｎｇｐｒｉｎｉｃｉｐｌｅ）；然后介绍时序谱与参数估计方法；最后讨论时序模型的阶数选择问题。     

网络流单边连接密度的时间序列分析

检测分布式拒绝服务（DDoS）攻击的困难性在于攻击数据包与正常数据包并无本质上的区别,为了正确识别DDoS,需要找到它与正常流的根本区别。使用虚假源IP地址的攻击包能够耗尽目标主机的网络带宽和系统资源,却无法与目标机建立完整的双向通信。因此,用于直观反映网络流异常的单边连接密度(OWCD)概念被提出并用于识别DDoS攻击,同时对OWCD的时间序列的进行了分析,揭示了OWCD序列的性质,为利用这个指标来进行DDoS检测提供依据。实验表明,OWCD能直观地区分正常流和攻击流,其序列为白噪声序列,能够作为DDoS检测的独立指标。OWCD序列不仅能够检测DDoS攻击,还能反映攻击强度。     

冷贮备串联系统可靠性指标的估计

运用最大似然法和经验Bayes方法,研究冷贮备串联系统可靠性指标的估计问题,分别给出了该系统失效率、可靠度函数与平均寿命的点估计。最后利用随机模拟方法,对两种估计结果进行了比较,结果表明,经验Bayes估计优于最大似然估计。     

一种基于时间序列最近偏向技术的网络信任模型

在已有P2P模型的基础上,提出了一种基于时间序列最近偏向技术的网络信任模型(recent-biased trust model,RBTM)。该模型采用了时间序列可变分割法选取评价时间单元(evaluate time unit,ETU),同时引入了比较合理的时间衰减因子,并对新数据的加入做了详尽的描述;根据节点交易的历史时间信息、内容相似度和反馈评价值自适应动态地调整节点的推荐值;实例表明,该模型具有良好的扩展性和较低的运行开销。     

基于云隶属度支持向量机的舰船购置费时间序列预测

模糊支持向量机降低了传统支持向量机对异常点的敏感度,但其模糊隶属度函数对样本点的分类缺乏模糊性,影响舰船购置费预测的精度。因此,利用云理论能够科学表达模糊性的特点,设计了一种面向异常点模糊分类的云隶属度发生器;在支持向量机中引入这种云隶属度发生器,提出了一种基于云隶属度的支持向量机算法;构建了基于云隶属度支持向量机的舰船购置费时间序列预测模型。实验证明：该算法模糊地降低了模型对异常点的敏感度,并自适应地对支持向量约束水平进行寻优,提高了舰船购置费预测的精度。     

一种基于两点式散射模型的DOA估计算法

基于天线阵列波达方向(DOA)的波束形成算法是智能天线的率,计算量,对噪声的敏感性或者需要空间搜索等方面存在不足,需要加以改进.在分析宏小区散射模型的基础上,将原来的离散分布简化为两点式分布,并分析了简化为两点式分布的依据.在此基础上,利用两点式分布的数学模型,通过构造相应的二阶统计量,较有效地估计出了空间波达方向及其散布角.并且该算法可以得到闭式解,有效地降低了DOA估计的运算量.所利用的统计量对等方差的白噪声不敏感.理论分析表明,只要快拍数足够多或信噪比较高,该闭式解可以得到很高的估计精度.计算机仿真验证了该算法的有效性.     

Modeling and Simulation of Time Series Prediction Based on Dynic Neural Network

Molding and simulation of time series prediction based on dynic neural network(NN) are studied. Prediction model for non-linear and time-varying system is proposed based on dynic Jordan NN. Aiming at the intrinsic defects of back-propagation (BP) algorithm that cannot update network weights incrementally, a hybrid algorithm combining the temporal difference (TD) method with BP algorithm to train Jordan NN is put forward. The proposed method is applied to predict the ash content of clean coal in jigging production real-time and multi-step. A practical exple is also given and its application results indicate that the method has better performance than others and also offers a beneficial reference to the prediction of nonlinear time series.     

Modeling and Simulation of Time Series Prediction Based on Dynamic Neural Network

Molding and simulation of time series prediction based on dynamic neural network(NN) are studied.Prediction model for non-linear and time-varying system is proposed based on dynamic Jordan NN. Aiming at the intrinsic defects of back-propagation (BP) algorithm that cannot update network weights incrementally, a hybrid algorithm combining the temporal difference (TD) method with BP algorithm to train Jordan NN is put forward.The proposed method is applied to predict the ash content of clean coal in jigging production real-time and multistep. A practical example is also given and its application results indicate that the method has better performance than others and also offers a beneficial reference to the prediction of nonlinear time series.