导读:本文包含了贝叶斯参数估计论文开题报告文献综述、选题提纲参考文献，主要关键词:模型,参数,多项式,相容性,岩土,滤波器,可信度。
贝叶斯参数估计论文文献综述写法
曹全胜,赵晓妍[1]（2019）在《岩土参数统计特征的贝叶斯估计》一文中研究指出岩土参数的统计特征,如平均值、标准差对于岩土参数设计分析的可靠性至关重要。准确估计这些统计特征通常需要较多岩土参数的试验数据。实际工程中,由于工程预算、工程周期等原因导致具体场地所得岩土参数数据相对较少。试验数据的相对稀疏以及在工程设计中对岩土参数统计特征的需求经常使得工程师在工程实践中陷入困境。为了解决这一问题,利用贝叶斯估计的方法,将工程经验和少量的试验数据系统地耦合起来,进而帮助估计岩土参数的统计特征。同时以工程实例加以说明,并以模拟数据进行验证。(本文来源于《路基工程》期刊2019年05期）
郑蝉金,郭少阳[2]（2019）在《项目反应模型通用贝叶斯参数估计软件的比较研究》一文中研究指出在众多的IRT参数估计算法中,马尔可夫链蒙特卡罗(MCMC)算法因其强大的计算能力和对复杂模型的兼容性成为一种普遍的估计方法。虽然吉布斯抽样法(Gibbs Sampler)是MCMC体系下的主流抽样方法,但由于它在探索后验参数空间方面效率低下,往往导致估计时间过长(Neal, 1993)。为了解决这一问题,Hoffman和Gelman(2014)在哈密尔蒙特卡罗(HMC)的基础上提出了No-U-Turn Sampler(NUTS;Neal,2011)算法,该方法在探索后验参数空间上有强大搜索能力和快速收敛速度(Gelman, Carlin,Stern,&Rubin, 2014)。随后,Carpenter等(2017)使用NUTS作为默认算法,开发了一个新的通用贝叶斯程序Stan。理论上NUTS的收敛速度明显快于Gibbs;然而,特别是对于IRT模型来说,还没有研究表明它们在实际效果上有多大的差异。因此,本研究旨在进一步分析Stan和OpenBUGS(基于Gibbs抽样法)这两个通用贝叶斯软件之间的差异,并通过四个真实的数据样本来比较他们的点估计、估计误差、收敛速度和估计时间。这些例子包括四参数正态肩形曲线模型(4-parameter Normal Ogive Model, 4PNOM)、多维2参数logistic模型(M2PLM),以及广义分步计分模型(GPCM)和广义多级展开模型(GGUM)。由于字数的限制和结果的相似性,此处仅以4PNOM的结果进行论述。本研究将4PNOM应用于Culpepper(2016)的数据集,该数据集来源于2005-2006年学龄儿童健康行为研究(HBSC;Iannotti,2005),包括7491名青少年对包含10个项目的欺负行为问卷的作答。以此为基础,本研究将Stan(向量化代码)与Stan(原始代码)和OpenBUGS,每个软件执行5条马尔科夫链,每条链长为10000,截取后5000次取均值进行估计。结果表明:(1)几种贝叶斯估计软件的点估计和估计误差非常相似;(2) Stan只需要大约500次迭代就可以收敛,但是OpenBUGS需要大约4500次迭代,fourPNO需要大约25000次迭代。这一发现与最近的其他研究一致,均表明Stan对于IRT模型具有特别强大的计算效率,其收敛速度明显快于OpenBUGS和fourPNO;(3)使用矢量化代码的Stan仅需0.83小时就能收敛,其估计耗时明显少于其他方式(OpenBUGS需要15.12小时),甚至比专门用于估计4PNOM的R包fourPNO(1.65小时)还要快。通过这些例子,本研究建议研究人员使用Stan来进行IRT模型的参数估计,以提高估计效率,节约研究时间。(本文来源于《第二十二届全国心理学学术会议摘要集》期刊2019-10-19）
赵景宏,李曦,李若维,邸卓,丁一[3]（2019）在《基于贝叶斯压缩感知的跳频信号参数估计》一文中研究指出针对跳频信号参数估计问题,提出一种基于贝叶斯压缩感知的方法。根据跳频信号的数学模型,将待估计的参数在给定的定义域内离散化构建过完备字典。由此,将参数估计问题转换为压缩感知邻域的稀疏表示问题。考虑到参数估计过程中存在的噪声干扰,采用贝叶斯压缩感知求解稀疏表示系数。根据稀疏表示系数的非零元素分布中解算跳频信号的跳变周期、跳变时刻以及跳频频率的估计值。基于仿真数据对提出方法进行验证实验,其结果表明了方法的有效性。(本文来源于《信息技术》期刊2019年10期）
许述文,王乐,曾威良,水鹏朗[4]（2019）在《逆伽马纹理复合高斯杂波参数的贝叶斯估计方法》一文中研究指出复合高斯杂波(CGC)在拟合高分辨力、低掠射角海杂波中已得到广泛应用,带有逆伽马纹理的CGC的强度分布为广义帕累托(GP)分布。在实际雷达工作场景中,由于观测区域内海杂波的非平稳非均匀特性,导致独立同分布杂波样本的获取十分困难。提出一种广义帕累托分布参数的贝叶斯估计方法,通过在线更新数据的先验信息,获取小样本情形下GP分布参数。仿真实验证明,该方法能够在样本数量较小的情况下,对GP数据实现较为精确的参数估计。(本文来源于《太赫兹科学与电子信息学报》期刊2019年04期）
张晨晨[5]（2019）在《基于贝叶斯的空间分层变系数模型的参数估计》一文中研究指出空间变系数模型是通过允许系数在空间上变化来解释空间异质性的非平稳方法.GWR方法在处理空间变系数模型的非平稳性以及模型参数的估计问题上起到了非常有效的作用.本文将空间变系数模型中的系数函数局部展开为空间地理位置坐标的二次函数,再结合多元线性回归模型的贝叶斯估计理论,采用Gibbs抽样技术,遍历所有地理位置从而得到所有系数函数的估计值,称之为局部多项式BGWR估计方法.并进行数值模拟试验考察该拟合方法的精确性,通过绘制曲面图、计算偏差平方的平均值与局部线性GWR方法所得到的相应结果进行比较,以说明局部多项式BGWR拟合方法在减小系数函数估计的边界效应和偏差方面的优良性.并将该方法用于实证分析2016年全国31个省的宏观因素,即用经济、人口及自然环境等方面遴选出的指标,对_(2.5)浓度影响的空间差异性,通过对估计结果的可视化分析,进一步说明局部多项式BGWR拟合的准确性.空间分层变系数模型(SHVC)是用以考虑空间异质性以及地理上分层的数据结构所提出的,即结合了双权重矩阵模型处理区域型数据的特点以及空间变系数模型处理空间异质性问题的特点,该模型包含协变量的两个不同层次,探究不同层次影响的空间变化特征.SHVC模型与一般的SVC模型的不同在于将位置点上的指标变量和区域的指标变量分开考虑,同时定义了两种权重矩阵:首先,空间分层变系数模型中设计了一个隶属矩阵A用来合并高层(区域层)和低层(点层)之间的层次结构;其次,SHVC模型考虑了基于区域的变化系数的除了点级变量的变化系数之外的变量;最后,考虑了邻接关系,即区域内部之间和相邻区域边界之间的邻接关系.采用二维网格剖分和两步估计相结合的拟合参数的方法,迭代得到各层系数估计值,并将该模型用于实证研究2009年我国北京部分地区的111个街道(高层区域)中1117块土地(低层位置)的租赁价格,选取高、低层指标并研究其对土地价格影响的空间差异性,对估计结果进行可视化,进一步说明模型建立的合理性与有效性.(本文来源于《新疆大学》期刊2019-06-30）
马晓玲[6]（2019）在《具有误差自回归的似乎不相关模型参数的贝叶斯估计》一文中研究指出现如今,随着信息化、大数据时代的到来,数据容量大、内容多样、形式复杂、数据间关联性较密集,事物间相关联的研究越来越受到人们的重视,人们已不能用单一独立的视角解释社会、自然界存在的现象.经典的线性回归模型在很多领域已不能较为合理的解释生活中的方方面面.似乎不相关模型的出世打破了人们对误差模型满足高斯马尔科夫假设条件的认识,通过误差扰动项将看似没有关联的模型紧密地联系在一起.后来,学者们对似乎不相关模型的研究已深入到经济、环境、生态、卫生等领域,均说明了该模型具有很好的解释性及广泛的应用前景.针对面板数据的研究,模型的空间效应广受大众关注.若在同一个时间截面,主要研究关于空间地理位置的异质性和区域之间的关联性问题;在特定的地理位置上,观测值会以时间序列的形式呈现.本文所设定的误差协方差矩阵是表示时间相关性的误差自回归模型,即研究不同时刻同一位置之间的某种相互关系.空间异质性的问题一般用地理加权回归模型来刻画.本文提出具有时间相关性的误差自回归似乎不相关模型与具有误差自回归地理加权似乎不相关回归模型.用该模型更好地刻画解释变量与被解释变量之间关系的动态过程及解决时空异质性、相关性问题.对似乎不相关模型参数的求解问题,国内外学者提供很多种方法:广义最小二乘估计方法、极大似然方法、广义矩方法、线性贝叶斯方法等.本文中,对具有误差自回归似乎不相关模型用线性Bayes估计方法对参数进行估计,并得到该方法的无偏性及有效性证明.在模拟中,用均方误差和绝对偏差均值作为检验指标得出线性Bayes方法较GLS方法的优良性.再根据贝叶斯统计推断及多元参数的有信息先验分布,推导出具有误差自回归地理加权似乎不相关模型参数的后验分布,模拟时结合Gibbs抽样方法得到该模型参数的估计值,并用残差平方和、均方误差和绝对偏差均值作为检验指标,与广义局部加权最小二乘估计方法进行优良性对比,从而说明该模型的良好解释性及估计方法的有效性.(本文来源于《新疆大学》期刊2019-05-24）
黄则浩,郑荣跃,刘干斌[7]（2019）在《基于KL散度的岩土参数可信度贝叶斯估计》一文中研究指出鉴于先验信息与样本信息的不匹配,会导致岩土参数的贝叶斯估计结果与实际产生偏差.为解决该问题,本文引入可信度贝叶斯估计的概念,并结合相容性检验,改进了基于KL散度的经典可信度计算公式.最后,以宁波地区典型土层的地基承载力为例,对比改进可信度贝叶斯、经典可信度贝叶斯和经典贝叶斯的估计结果.结果表明:改进可信度贝叶斯方法能在充分利用先验信息的前提下,提高样本信息在参数估计中的计算权重,同时也避免了不匹配问题所导致的贝叶斯计算误差.(本文来源于《宁波大学学报(理工版)》期刊2019年03期）
张晨[8]（2019）在《基于近似贝叶斯计算的参数估计和模型选择的研究》一文中研究指出贝叶斯统计推断方法作为统计学研究中的重要分支之一,它在各个研究领域有着广泛的应用。在贝叶斯统计推断过程中,如何选择并计算似然函数是最核心问题。特别地,在生物数学领域中,随着统计模型的不断发展,模型的似然函数越来越复杂,往往不具有解析表达式或者过于复杂导致无法计算,基于复杂似然函数的贝叶斯推断很困难。此时,近似贝叶斯计算(Approximate Bayesian Computation,ABC)方法可以很好地解决这一问题。本文将从理论分析,算法设计以及实际应用这叁个方面对目前常见的近似贝叶斯计算方法进行了深入的探讨。本文针对各个算法进行了详实的比较,提出了一种基于粒子滤波器和蒙特卡洛方法的模型选择算法,并应用于系列SIR模型选择问题。本文涵盖的具体研究内容如下:1.近似贝叶斯计算的基本原理的描述以及讨论实现过程中汇总统计量的选取和容差阈值的界定;2.传统的ABC拒绝算法、ABC回归算法,以及基于马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法的ABC-MCMC算法和基于粒子滤波器的ABC部分拒绝控制(partial rejection control,PRC)算法、ABC种群蒙特卡洛(population Monte Carlo,PMC)算法、ABC序贯蒙特卡洛(sequential Monte Carlo,SMC)算法的介绍和比较;3.基于粒子滤波器和蒙特卡洛方法,提出了一种ABC-PMC模型选择算法;4.参数估计和模型选择的应用实例:二项分布模型,泊松分布模型,流感病毒传染模型以及经典传染病模型选择问题。(本文来源于《合肥工业大学》期刊2019-04-01）
杜永美[9]（2019）在《Pareto分布中风险参数的有效经验贝叶斯估计》一文中研究指出由于Pareto分布能有效地刻画损失数据的一些特征,故该分布现已被广泛应用于保险精算、经济、金融等众多领域的数据分析与统计建模中.对于分布类型已知的参数估计问题,分层模型已被广泛地研究和使用,并逐步成为了研究此问题的一种非常重要的统计模型.而使用分层模型估计分布中的参数能有效降低估计偏差,因此,本文从经验贝叶斯角度研究了分层模型中Pareto分布的风险参数的同时估计问题.首先,受 Stein 无偏估计风险(Stein's unbiased estimate of risk,简称 SURE)思想启发,本文构建出了恰当近似的风险函数的无偏估计函数,然后将其最小化,以得到参数的SURE型估计.其次,在一定的条件下,我们证明了 SURE型估计的渐近最优性质.最后,通过大量的数值模拟及实际数据分析,说明了 SURE型估计方法的优越性.(本文来源于《兰州大学》期刊2019-04-01）
高艳苹,吕王勇,王玲玲,蔡琳芝[10]（2019）在《基于贝叶斯理论的云模型参数估计研究》一文中研究指出云模型共有叁个未知参数:期望、熵、超熵。经典的云参数的估计方法有矩估计法和极大似然估计法,二者都是在将样本均值作为期望的估计值的前提下,分别求得熵和超熵的矩估计和极大似然估计。在期望不是一个未知参数,而是一个随机变量,且分布已知的假设下,应用贝叶斯理论,得到期望的后验分布及其后验估计,并基于期望的后验估计求得熵、超熵的后验矩估计和后验极大似然估计。以均方误差最小为准则,将经典的矩估计、极大似然估计与后验的矩估计、后验极大似然估计比较,得到后验的极大似然估计效果最优的结论。(本文来源于《统计与决策》期刊2019年06期）
贝叶斯参数估计论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在众多的IRT参数估计算法中,马尔可夫链蒙特卡罗(MCMC)算法因其强大的计算能力和对复杂模型的兼容性成为一种普遍的估计方法。虽然吉布斯抽样法(Gibbs Sampler)是MCMC体系下的主流抽样方法,但由于它在探索后验参数空间方面效率低下,往往导致估计时间过长(Neal, 1993)。为了解决这一问题,Hoffman和Gelman(2014)在哈密尔蒙特卡罗(HMC)的基础上提出了No-U-Turn Sampler(NUTS;Neal,2011)算法,该方法在探索后验参数空间上有强大搜索能力和快速收敛速度(Gelman, Carlin,Stern,&Rubin, 2014)。随后,Carpenter等(2017)使用NUTS作为默认算法,开发了一个新的通用贝叶斯程序Stan。理论上NUTS的收敛速度明显快于Gibbs;然而,特别是对于IRT模型来说,还没有研究表明它们在实际效果上有多大的差异。因此,本研究旨在进一步分析Stan和OpenBUGS(基于Gibbs抽样法)这两个通用贝叶斯软件之间的差异,并通过四个真实的数据样本来比较他们的点估计、估计误差、收敛速度和估计时间。这些例子包括四参数正态肩形曲线模型(4-parameter Normal Ogive Model, 4PNOM)、多维2参数logistic模型(M2PLM),以及广义分步计分模型(GPCM)和广义多级展开模型(GGUM)。由于字数的限制和结果的相似性,此处仅以4PNOM的结果进行论述。本研究将4PNOM应用于Culpepper(2016)的数据集,该数据集来源于2005-2006年学龄儿童健康行为研究(HBSC;Iannotti,2005),包括7491名青少年对包含10个项目的欺负行为问卷的作答。以此为基础,本研究将Stan(向量化代码)与Stan(原始代码)和OpenBUGS,每个软件执行5条马尔科夫链,每条链长为10000,截取后5000次取均值进行估计。结果表明:(1)几种贝叶斯估计软件的点估计和估计误差非常相似;(2) Stan只需要大约500次迭代就可以收敛,但是OpenBUGS需要大约4500次迭代,fourPNO需要大约25000次迭代。这一发现与最近的其他研究一致,均表明Stan对于IRT模型具有特别强大的计算效率,其收敛速度明显快于OpenBUGS和fourPNO;(3)使用矢量化代码的Stan仅需0.83小时就能收敛,其估计耗时明显少于其他方式(OpenBUGS需要15.12小时),甚至比专门用于估计4PNOM的R包fourPNO(1.65小时)还要快。通过这些例子,本研究建议研究人员使用Stan来进行IRT模型的参数估计,以提高估计效率,节约研究时间。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
贝叶斯参数估计论文参考文献
[1].曹全胜,赵晓妍.岩土参数统计特征的贝叶斯估计[J].路基工程.2019
[2].郑蝉金,郭少阳.项目反应模型通用贝叶斯参数估计软件的比较研究[C].第二十二届全国心理学学术会议摘要集.2019
[3].赵景宏,李曦,李若维,邸卓,丁一.基于贝叶斯压缩感知的跳频信号参数估计[J].信息技术.2019
[4].许述文,王乐,曾威良,水鹏朗.逆伽马纹理复合高斯杂波参数的贝叶斯估计方法[J].太赫兹科学与电子信息学报.2019
[5].张晨晨.基于贝叶斯的空间分层变系数模型的参数估计[D].新疆大学.2019
[6].马晓玲.具有误差自回归的似乎不相关模型参数的贝叶斯估计[D].新疆大学.2019
[7].黄则浩,郑荣跃,刘干斌.基于KL散度的岩土参数可信度贝叶斯估计[J].宁波大学学报(理工版).2019
[8].张晨.基于近似贝叶斯计算的参数估计和模型选择的研究[D].合肥工业大学.2019
[9].杜永美.Pareto分布中风险参数的有效经验贝叶斯估计[D].兰州大学.2019
[10].高艳苹,吕王勇,王玲玲,蔡琳芝.基于贝叶斯理论的云模型参数估计研究[J].统计与决策.2019