导读:本文包含了逆高斯分布论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:高斯,函数,可靠性,理论,广义,矩阵,误差。
逆高斯分布论文文献综述
王亚楠,韦程东,张晓东,岑泰林,唐璐薇[1]（2019）在《复合LINEX对称损失下逆高斯分布参数倒数Bayes估计》一文中研究指出该文主要讨论了当参数θ的先验分布为Γ分布时,在复合LINEX对称损失函数下,逆高斯分布形状参数θ的Bayes估计、E-Bayes估计和多层Bayes估计问题,得到了相应的估计公式,并证明了参数θ的Bayes估计是可容许的.(本文来源于《广西师范学院学报(自然科学版)》期刊2019年02期）
乔舰,李再兴,范淑芬[2]（2018）在《基于特征函数的逆高斯分布统计性质研究》一文中研究指出本文给出了基于特征函数的逆高斯分布众多统计性质的证明过程,对逆高斯分布与高斯分布的平行性质进行了归纳,对其应用特性进行了论述.(本文来源于《高等数学研究》期刊2018年04期）
刘强强[3]（2017）在《逆高斯分布参数的线性贝叶斯估计》一文中研究指出逆高斯分布具有许多优良的特性,在寿命试验、管理科学、精算学等众多领域应用广泛。针对逆高斯分布参数的估计问题,国内外学者已经做了大量的研究,提出了许多估计方法,常用的有极大似然估计、无偏估计和贝叶斯估计等。本文提出了一种新的参数估计方法—线性贝叶斯估计,其主要的思想是利用样本统计量的线性表达估计参数。应用此方法本文分别求解出了叁个统计量X、T和XT以及五个统计量X、T、XT、X2和T2下的线性贝叶斯估计表达式,并在均方误差矩阵准则下,证明了五个统计量下的线性贝叶斯估计要优于叁个统计量下的线性贝叶斯估计,也证明了不同个数统计量下所得到的线性贝叶斯估计都要优于经典的极大似然估计和无偏估计。通常对参数进行贝叶斯估计时,由于计算过程中积分的复杂性,常常难以得到贝叶斯估计的显式解,为此一般采用MCMC方法获得贝叶斯估计。本文数值模拟部分也考察了 Lindley近似计算方法,计算出了平方损失函数下贝叶斯估计的近似表达式。在给定不同先验分布的情形下,分别对叁个统计量、五个统计量下的线性贝叶斯估计与贝叶斯估计之间的距离,以及Lindley近似结果与贝叶斯估计之间的距离进行数值模拟。通过对模拟结果的分析,进一步验证了统计量个数越多所得到的线性贝叶斯估计效果越好。(本文来源于《北京交通大学》期刊2017-06-01）
季丹丹[4]（2017）在《一种拓展的逆高斯分布的性质及其应用》一文中研究指出随着时代的发展和科技的进步,人们对产品质量及可靠性的要求越来越高.很多新的分析可靠性的技术和数据处理的方法不断出现,使可靠性统计面临着许多新的问题.指数分布、Weibull分布、极值分布、Gamma分布等一些可靠性统计模型已经被很多专家学者研究并利用到实际生活中.但每一种可靠性统计模型并不是对所有类型的数据模拟效果都是好的,所以我们需要找到适应效果更好的分布对寿命数据进行模拟分析.本文针对上述问题展开讨论:第一,逆高斯分布和Weibull分布是可靠性理论中的两种重要的寿命分布模型,而T-X family方法是近年来拓展新分布中应用较广的一种方法.故而本文考虑由逆高斯分布与Weibull分布出发,利用T-X family的方法构建一个新的寿命分布,称之为拓展的逆高斯分布(EIG).我们讨论了它的一些基本性质,如密度曲线类型,危险率函数曲线、r阶中心距及矩母函数,偏度和峰度,随机序和剩余寿命等.第二,基于所产生的新分布,我们还研究了它的参数估计问题.讨论了新分布所含参数的极大似然估计和近似置信区间.针对已有数据,利用TTT转换分析数据危险率的形状,并对数据拟合的可行性作了分析.进而用EIG分布模拟真实数据,进行K-S拟合检验,分析讨论结果.第叁,近年来,缺失和退化数据处理方面的应用研究大量出现,使得可靠性理论得到迅速发展.疲劳数据常常有限,尤其是从节约费用时间角度上,即使使用特殊的疲劳试验方法(加速寿命试验),也得不到完整的样本数据,得到的大多是截尾数据.因此有必要发展截尾数据下参数的统计推断问题.2009年Kundu提出一个自适应II型逐次截尾方案,较Ⅰ型和Ⅱ型逐次截尾方案,节省了总试验的时间和测试失效单元的成本,提高了统计分析的效率,解决了I、II型截尾方案的许多缺点.本文将基于自适应II型逐次截尾样本,对新分布的参数进行极大似然估计,并运用真实数据进行模拟研究.(本文来源于《内蒙古工业大学》期刊2017-06-01）
但维义[5]（2015）在《MIMO无线光通信逆高斯分布模型研究》一文中研究指出近年来,由于高保密性和低成本等诸多优点,无线光通信受到了大量学者的广泛关注,也成为通信领域的一个研究热点。因无线光通信是依靠光波作为载体直接穿过大气来传递声音、图像等信息,所以无线光通信也通常被称之为自由空间光通信。无线光通信具有频带宽、安全性高、成本低、速度快等优点,但是也有很多缺陷限制其被广泛地应用,比如在信息传输过程中系统稳定性和可靠性极易受到雨、雪、雾霾等各种恶劣天气以及路径上的大气湍流的影响。由于大气湍流的存在,光束在传输路径中出现路径消光、光束闪烁,波束扩展以及指向偏差等不利于通信系统稳定性的一系列现象也会经常性的发生。因此,能够找到一个准确的模型来模拟无线光通信系统通信过程中信号的传输特性对于建立一个有效、灵敏以及低廉的无线光通信系统是具有重要的指导意义和参考价值。本文主要研究大气湍流对无线光通信系统的截断概率、误码率以及平均信道容量的影响规律。最后,论文得出以下叁个方面的成果：(1)在降雾霾天气、采用准直高斯—谢尔束信号源、多输入多输收发结构和系统存在指向误差(由接收器／发射器基座轻微晃动造成)的条件下,采用信号起伏的逆高斯分布模型替代对数正态分布模型建立了适用于弱信号起伏通信光路的接收信号的概率密度函数模型。(2)在等效增益拟合近似下,得出了多输入多输出无线光通信系统的平均误码率、截断概率以及平均信道容量的理论模型。(3)数值研究了传输距离、光源相干度、接收／发射孔径数量等参数对所研究的无线光通信系统性能的影响,并得出结论如下：湍流引起的信号光束的整体漂移是产生信号起伏的主要因素之一,所以其也是造成系统平均误码率与中断概率增加和平均信道容量减小的关键因素之一。在设计无线光通信系统的过程中,光源的相干性选择也很关键,采用部分相干信号源是降低系统中断率和误码率的有效方法之一。但是在多输入与多输出时,信号源相干度太小会导致接收器接收到的信号强度太弱,当信号强度达不到截断阀值,同样会导致系统链路发生中断、误码率增大以及信道容量降低。接收／发射孔径越多其光源相干度对系统性能的影响越大。因此,在设计系统性能的时候应该根据系统结构选择一个最优化的部分相干信号源来提高系统性能。采用等效增益拟合的多输入多输出的无线光通信系统,大的波束宽度,是有效降低系统的截断概率提高系统性能的另一有效方法。在设计无线光通信系统时,参照本论文中得到的研究成果可有效提高设计效率以及系统性能。(本文来源于《江南大学》期刊2015-12-01）
孟根其其格,闫在在[6]（2015）在《广义Ⅱ型逐次截尾数据下逆高斯分布参数的极大似然估计》一文中研究指出针对可靠性应用研究中常需要确定寿命分布参数的问题,讨论了在广义Ⅱ型逐次截尾样本下逆高斯分布位置参数和尺度参数的最大似然估计.通过参数变换得到了基于新参数的逆高斯分布模型,并利用牛顿迭代算法得到新参数的最大似然估计,进而求出原参数的极大似然估计.借助随机模拟方法和一个实例评价了最大似然估计.说明提出的极大似然估计理论具有应用价值.(本文来源于《内蒙古工业大学学报(自然科学版)》期刊2015年02期）
孟根其其格,彭秀云,闫在在[7]（2015）在《广义逐次截尾数据下逆高斯分布参数的贝叶斯估计》一文中研究指出针对可靠性应用研究中常需要确定寿命分布参数的问题,讨论了在广义逐次截尾数据下具有位置参数和尺度参数的逆高斯分布(inverse Gaussian,IG)的贝叶斯估计问题,给出了两参数的后验密度核。利用逆变换方法,产生遵从后验密度核的随机数,进而研究了估计未知参数的Gibbs抽样策略。Monte-Carlo模拟结果表明:基于广义逐次截尾数据的贝叶斯估计精度接近完全数据下贝叶斯估计。用一个实际例子进一步说明提出方法的可行性。(本文来源于《中国科技论文》期刊2015年05期）
吴安勤[8]（2014）在《基于EM估计的正态逆高斯分布下中国股票收益率分布研究》一文中研究指出传统意义上,我们习惯用正态分布来描述金融资产收益率的分布,很多金融模型都是建立在收益率服从正态分布的假设基础之上。但是越来越多的学者通过经验数据发现金融数据并非服从正态分布,我国学者吴世龙在1999年以深圳股票综合指数为样本,验证了中国证券市场的投资收益率属于非正态分布。这是因为金融数据往往具有尖峰、厚尾、偏态等特征,已经无法用传统的正态分布来进行准确刻画。而国外学者研究发现国外金融资产的收益率更符合广义双曲线分布,针对本国的实际情况,本文力图通过历史数据验证我国的股票市场的收益率符合该广义双曲线分布下的一个子类——正态逆高斯分布,并通过Monte Carlo模拟法验证中国的股票收益率确实符合正态逆高斯分布,而且进一步从VaR角度对这一拟合进行了分析,从而得出这种拟合的合理性。由于正态逆高斯分布参数估计的复杂性,本文在借鉴国外学者观点的基础上,采用EM算法对正态逆高斯分布进行参数估计,并给出正态逆高斯分布参数估计的详细过程和实现步骤。(本文来源于《南京大学》期刊2014-05-20）
卢瑜,杜军[9]（2014）在《基于正态逆高斯分布的抵押债务定价和因子模型》一文中研究指出目前,高斯单因子定价模型已成为CDO定价的标准化模型并被广泛采用,但该模型不能准确刻画金融市场数据的"厚尾性"并存在相关性"微笑"现象,模型计量的结果不能很好的拟合市场报价。鉴于此,本文构建了基于正态逆高斯分布的因子模型对CDO估值,并对iTraxx Europe指数分券进行实证研究,通过模型理论估值和市场报价之间的差异来度量模型的定价能力,研究结果表明使用NIG-Copula分布有效改善了定价模型,能够更好地拟合了金融市场数据的"厚尾"现象,且在一定程度上解决了相关性"微笑"现象,能更好地拟合市场报价数据。(本文来源于《系统工程》期刊2014年03期）
杨名[10]（2014）在《矩阵广义逆高斯分布在多任务学习中的应用》一文中研究指出在传统的机器学习方法中,单一任务训练集不充分的难题限制了学习算法的应用。而多任务学习方法能通过对任务关联关系的发掘在一定程度上解决这一问题。本文在矩阵统计学研究的基础上,使用矩阵广义逆高斯分布(Matrix Generalized Inverse Gaussian distribution, MGIG分布)对任务关联矩阵进行建模,并对模型在多任务学习中的应用进行了研究。本文首先引入MGIG分布的定义并详细讨论了其统计特性。为了克服MGIG分布统计量无闭合表达式造成的计算困难,本文提出了两种采样策略进行计算。在此基础上,本文提出了利用回归矩阵低秩逼近进行多任务学习的高斯矩阵广义逆高斯模型(Gaussian Matrix Generalized Inverse Gaussian model, GMGIG模型)。进而在该模型上引入残差结构得到用于多任务学习的GMGIG回归模型。通过实验验证了GMGIG回归模型在回归和预测上比同类多任务学习算法优越。本文通过使用MGIG先验构建回归矩阵后验分布的方式,提出了一种新的多任务学习方法,贝叶斯多任务关系学习(Bayesian Multi-task Relationship Learning, BMTRL)方法。并通过引入样本间的连接结构作为约束,构建了具备连接结构的贝叶斯多任务关系学习(Bayesian Multi-task Relationship Learning with Link Constraint, BMTRL-LC)方法。为了克服计算上的困难,本文结合使用凸优化方法和随机EM算法对上述两个方法引入的优化问题求解。通过实验验证了BMTRL和BMTRL-LC在叁组实验数据集上比同类多任务学习算法优越。(本文来源于《浙江大学》期刊2014-01-15）
逆高斯分布论文开题报告
（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：
本文给出了基于特征函数的逆高斯分布众多统计性质的证明过程,对逆高斯分布与高斯分布的平行性质进行了归纳,对其应用特性进行了论述.
（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。
逆高斯分布论文参考文献
[1].王亚楠,韦程东,张晓东,岑泰林,唐璐薇.复合LINEX对称损失下逆高斯分布参数倒数Bayes估计[J].广西师范学院学报(自然科学版).2019
[2].乔舰,李再兴,范淑芬.基于特征函数的逆高斯分布统计性质研究[J].高等数学研究.2018
[3].刘强强.逆高斯分布参数的线性贝叶斯估计[D].北京交通大学.2017
[4].季丹丹.一种拓展的逆高斯分布的性质及其应用[D].内蒙古工业大学.2017
[5].但维义.MIMO无线光通信逆高斯分布模型研究[D].江南大学.2015
[6].孟根其其格,闫在在.广义Ⅱ型逐次截尾数据下逆高斯分布参数的极大似然估计[J].内蒙古工业大学学报(自然科学版).2015
[7].孟根其其格,彭秀云,闫在在.广义逐次截尾数据下逆高斯分布参数的贝叶斯估计[J].中国科技论文.2015
[8].吴安勤.基于EM估计的正态逆高斯分布下中国股票收益率分布研究[D].南京大学.2014
[9].卢瑜,杜军.基于正态逆高斯分布的抵押债务定价和因子模型[J].系统工程.2014
[10].杨名.矩阵广义逆高斯分布在多任务学习中的应用[D].浙江大学.2014
论文知识图
