非高斯AR序列参数的最大似然估计

自同归模型参数的最小二乘估计应用于非高斯数据,有效性便不复存在,而充分利用了概率密度信息的最大似然估计却仍然是该问题的有效估计.使用混合高斯自回归模型描述该类估计问题之后,讨论了其克拉美-罗限,导出了非高斯自回归序列参数的最大似然估计,给出Newton-Raphson迭代解法,并凡探讨了如何加快这一迭代算法的收敛和如何将估计算法应用于实际数据两个细节问题.最后给出一组仿真实例,对比检验了最大似然估计和最小二乘估计的效果.     

负相伴样本情形下线性指数分布参数的渐近最优的经验Bayes估计

在平方损失下导出了线性指数分布参数的Bayes估计,利用负相伴样本密度函数核估计的方法构造了参数的经验Bayes(EB)估计.在适当的条件下证明了所提出的EB估计是渐近最优的.并给出一个满足定理条件的例子.     

非高斯AR序列参数的加权最小二乘估计

加权最小二乘估计是一种兼具精度与速度的非高斯自回归序列参数估计的优秀算法.使用混合高斯自回归模型描述估计问题之后,又从最大似然估计非线性方程组出发导出了与之近似的加权最小二乘估计线性方程组,并分析了加权函数的性质,给出了具体的两步实现算法.探讨了加权函数获得与激励方差估计2个细节问题,给出了一组实例.     

基于极大似然估计的路段交通流量预测

基于对交通流量预测存在的问题的分析，用极大似然估计法对路段交通流量进行预测．这种方法的实质，是将连续的观测时段的上游观测量作为自变量，用极大似然估计法估计出观测量与下游预测量之间的关系，从而预测交通流量．实例结果表明，预测值与实际值的最大误差率为5.76％。     

面向车联网的高速路OD矩阵估计模型

针对高速路OD矩阵的采集与估计,提出采用RFID技术的车联网进行部署,建立有缺失数据的OD矩阵采集方法.用拉格朗日乘数法求解OD矩阵元素概率的极大似然估计,给出基于EM算法的OD矩阵估计算法.通过912节点规模的仿真实验结果表明,提出的算法相比模拟采集准确性更高,真实数据的均方根误差降低了77.7%,验证了算法流程和模型的有效性.      

极大似然估计:兰波特与丹尼尔·伯努利

本文探讨了似然思想早期的历史,指出兰波特是发现极大似然估计法的第一人,与丹尼尔·伯努利共为似然思想的先驱。     

线性回归模型的一个新的随机约束岭估计

研究带随机先验信息的线性回归模型，提出一种新的随机约束岭估计，得到新的估计在均方误差矩阵意义下优于混合估计、普通岭估计、随机混合估计（Yalian，2008）和另一随机混合估计（富月，2003）的充要条件。理论结果与数值实验都表明：新的估计在均方误差矩阵意义下的性能是优良的。     

基于复杂网络的车载自组网拓扑特性分析

研究了在受道路约束的实际场景以及不受道路约束的仿真场景下车载自组网(vehicular ad hoc network,VANET)的度分布、聚类系数、平均路径长度和连通分支数等拓扑特性,基于KS检验和极大似然估计对VANET是否具有无标度特性进行了验证.结果表明:在通讯范围内全连接情况下,车载自组网不具有无标度特性和小...     

序约束下三指数总体均值的极大似然估计

令Xi,i=1,2,3,为来自第i个指数总体的观察值，其中均值λi均未知，但根据以往的经验，可以假定均值间满足一定的约束关系，如简单半序。本文给出了此种序约束下λi的极大似然估计λi^*，并且证明了每一λi^*比通常的估计Xi具有较小的均方误差。     

基于数理统计的地铁车站换乘走行时间估计研究

对车站换乘走行时间的估计是分析成网条件下地铁线路间列车合理衔接,减少乘客总换乘等待时间的前提.基于数理统计方法对地铁车站换乘走行时间规律进行研究,设计地铁车站换乘走行时间规律的抽样调查方法,同时采用正态分布和对数正态分布函数对地铁车站换乘走行时间分布进行描述,并利用极大似然估计法对其中的参数进行估计.最后,以重庆地铁两路口换乘站为例,对所提出方法的实际可行性进行验证.     

小样本条件下可变作用代表值的贝叶斯推断方法

为克服工程实际中测试数据不充足的条件下,采用经典统计学方法推断可变作用的代表值时,由统计不确定性导致推断结果偏于冒进的缺点,基于极小值I型分布分位值的线性回归推断方法,提出了小样本条件下可变作用代表值的线性回归推断方法,并以此作为检验其他推断方法精度的基准方法;根据贝叶斯理论,利用分布参数的Jeffreys无信息先验分布,提出可变作用标准值和频遇值的贝叶斯推断方法. 应用研究结果表明:贝叶斯推断方法较线性回归推断方法简便且应用范围广,在标准差已知的情况,可给出更优的推断结果;无参数信息时,对于标准值和频遇值的保证率不低于0.90的情况,贝叶斯推断方法均具有较好的精度;相对于其他可信水平,可信水平0.75时推断结果更接近真值,因此,建议取可信水平为0.75.      

Mean shift registration algorithm for dissimilar sensors

The mean shift registration (MSR) algorithm is proposed to accurately estimate the biases for multiple dissimilar sensors. The new algorithm is a batch optimization procedure. The maximum likelihood estimator is used to estimate the target states, and then the mean shift algorithm is implemented to estimate the sensor biases. Monte Carlo simulations show that the MSR algorithm has significant improvement in performance with reducing the standard deviation and mean of sensor biased estimation error compared with the maximum likelihood registration algorithm. The quantitative analysis and the qualitative analysis show that the MSR algorithm has less computation than the maximum likelihood registration method.     

基于建成环境和低频浮动车数据的路段行程时间估计

将城市道路周边建成环境的相关属性作为路段行程时间的解释变量,结合城市低频浮动 车数据,在不需要速度等GPS信息的条件下研究建成环境属性因素对路段行程时间的影响。同 时,给出一种新的路段行程时间分布估计方法,即利用路段车辆数的分布代替路段长度作为路段 行程时间的分配比例系数,得到路段行程时间的分布情况。为验证所提方法的正确性,以辽宁省 丹东市振兴区锦山大街为例进行分析,用极大似然估计法得到各类建成环境对行程时间的影响 参数值,并对比研究路段在有、无建成环境影响下的行程时间。结果表明：道路周边的建成环境 会在不同时段导致路段行程时间显著增加,学校的影响时间段主要在6:00-7:20,医院、诊所集中 在7:00-8:00,交叉口造成的行程时间增量在研究范围内整体较为平均。通过似然比检验,验证了 将建成环境变量作为路段行程时间影响因素的可靠性。     

基于有删失数据的失效率非参数估计方法

为解决当寿命分布的数学形式完全未知，而寿命试验数据又含有右删失数据的情况下，如何估计失效率函数的问题，推广运用密度结构估计的处理手段，根据极大似然的估计思想，在推推导出失效率函数估计的数学形式基础上，构造特殊的样条插值，给出了失效率函数的连续非参数估计。     

Semi-blind Channel Estimator for OFDM-STC

Channel state information of OFDM-STC system is required for maximum likelihood decoding.A subspace-based semi-blind method was proposed for estimating the channels of OFDM-STC systems.The channels are first estimated blindly up to an ambiguity parameter utilizing the nature structure of STC,irrespective of the underlying signal constellations.Furthermore,a method was proposed to resolve the ambiguity by using a few pilot symbols.The simulation results show the proposed semi-blind estimator can achieve higher spectral efficiency and provide improved estimation performance compared to the non-blind estimator.     

基于AFC数据的城轨路网客流OD在线动态估计

路网实时客流状态是城市轨道交通日常运营组织科学决策的主要依据,而精准地在线估计客流OD是前提条件.本文分析了准实时AFC数据接入条件下客流OD在线动态估计问题及其特点,提出了将机器学习与递归贝叶斯相结合的客流OD动态估计方法;构建了基于LSTM的客流OD状态转移模型,以及LSTM模型嵌入下的客流OD递归贝叶斯估计模型;针对客流OD状态变化的非线性、不确定性特点,提出基于粒子滤波算法求解客流OD递归贝叶斯估计问题.面向LSTM模型嵌入所形成的客流OD状态转移三阶马尔科夫过程,对一般的粒子滤波算法进行高阶扩展,研究了算法的实现.最后用实例对本文提出的方法进行了验证.