导读:本文包含了重尾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:极值,正则,条件,参数,位数,算法,函数。
重尾分布论文文献综述
单国栋,侯以恒,刘柏森[1]（2019）在《基于一类重尾分布的函数型线性回归模型的稳健性估计》一文中研究指出假定随机误差分布来自具有重尾特征的scale mixtures of normal分布族,运用贝叶斯方法研究了函数型线性回归模型的稳健性估计,其中模型的响应变量为标量,解释变量为函数型变量.数值模拟结果表明:当响应变量的观测数据存在离群值时,建立的方法得到的模型参数的估计,要优于正态分布假定下的模型参数的估计.(本文来源于《数学的实践与认识》期刊2019年01期）
王贺贺[2]（2018）在《基于重尾分布布谷鸟算法的非线性系统辨识研究》一文中研究指出本文在详细分析了布谷鸟算法(CS)的特点之后,根据相关应用背景,对布谷鸟算法(CS)进行了一系列改进。仿真实验证实了改进布谷鸟算法(CS)的有效性,并将改进算法应用于非线性Hammerstein模型辨识。具体内容如下:(1)首先详细介绍了近十年来发展迅速的布谷鸟算法(CS),布谷鸟算法(CS)是一种新型群智能寻优算法。通过详细分析布谷鸟算法(CS)的工作原理,了解到布谷鸟算法(CS)作为一种群智能寻优算法,产生新解的方式是levy飞行。本文依据不同的系统辨识需求提出了两种改进的布谷鸟算法TTCS和GMDA,并将其作为相应系统辨识参数寻优的强有力的工具。(2)针对于单输入单输出的非线性Hammerstein模型进行研究。以往大多数非线性Hammerstein模型的研究多数为基于解析方法,研究难度大,尤其非线性部分本身很难提炼出解析解。针对这类问题,本文尝试利用模块化非线性系统辨识方法,提出利用函数连接型神经网络(FLANN)来近似Hammerstein模型的非线性部分。相应的,为了对上述提出的模块化模型参数进行辨识,本文提出利用一种典型重尾分布学生t分布以及由学生t分布产生的在区间(0,1)之间的序列来对布谷鸟算法进行改进。文章第叁章的仿真实例证实了改进算法(TTCS)在处理单输入单输出Hammerstein模型参数辨识时的有效性。(3)针对重尾噪声影响下多输入多输出系统Hammerstein模型的辨识问题进行研究。以往系统辨识问题多数是在白噪声及基于白噪声的有色噪声假设下进行研究。近年来研究发现在一些复杂工业问题中,将噪声假设为高斯噪声类,相对来说显得有些过于保守了。不少的研究发现,一些系统中有离群点的出现。然而针对于此类非高斯噪声影响下的非线性系统辨识尚没有比较统一的解析方法。本文尝试采取模块化系统辨识方法,利用径向基函数(RBF)神经网络,将此类辨识问题转化为一种参数优化问题。利用本文提出的一种改进的布谷鸟算法(GMDA)来解决上述优化问题。文中第四章的仿真实例证实了 GMDA在解决此类问题时的有效性(4)探索了利用智能寻优算法训练神经网络的可能性。在(2)和(3)中,对于函数连接型神经网络(FLANN)和径向基(RBF)神经网络训练没有采用传统的梯度下降算法,而是将神经网络的训练转化为参数寻优问题,从而将以往需要凭人工经验给出的相关参数也转化为了可以利用智能寻优算法训练的值。降低了神经网络训练的难度,减小了训练复杂度。(本文来源于《北京化工大学》期刊2018-06-01）
蔡人杰[3]（2018）在《重尾分布高条件分位数估计》一文中研究指出近年来,在许多领域中,人们往往更关注尾部数据的条件分位数的研究,尤其是重尾分布。一般情况下,可以通过分位数回归给出有效的估计,但传统分位数回归对于极高或极低分位数的估计却并不奏效。本文通过提出新的尾部极值参数估计方法,再结合传统分位数回归,进而提出重尾分布高条件分位数估计(简称EHH)。EHH方法可以通过参数的调节,表现出良好的估计精度和稳健性。本文具体内容如下:第一章,提出了新的尾部极值参数估计方法。第二章,提出了EHH方法。第叁章,通过数据模拟来研究EHH方法的稳健性。第四章,展示了EHH方法在实例分析中的应用效果。第五章,介绍了本文中涉及的定理证明。(本文来源于《大连理工大学》期刊2018-04-01）
黄飞[4]（2018）在《重尾分布研究及应用》一文中研究指出重尾分布广泛地遍布在许多生活、科学等高频时间序列数据的领域中,像经济、保险、词频等领域的数据分布差不多都符合重尾分布的特征。由于重尾分布的尾部会携带大量的重要信息,因此正确地描述重尾分布函数,是获得这些信息的关键所在。像金融数据中的股票数据则需要进行极值现象的分析与评估,以进一步防止极端的现象出现,这可能会导致广大股民和公司经营以及社会的经济受到不可挽回的影响。本篇论文详细地分析与比较基于极值理论的重尾分布理论及重尾估计方法,并根据它们各自的优缺点提出了新的重尾估计方法以及在新的领域进行实验与应用。Hill估计在重尾分布的尾指数估计理论中是十分重要的估计方式,但是它仍旧不可避免地存在着缺点。我们在本文中基于Hill估计并适当地提出了Hill估计的改进方法Av Hill估计方法,该方法成功地降低了Hill估计的方差,并对其利用Matlab R2014B进行仿真研究。从整体上看,Av Hill方法在重尾估计方法中要优于Hill估计方法。并将Hill估计与Av Hill估计共同应用于词频统计数据领域,通过对词频领域的应用,我们发现Av Hill估计要优于Hill估计。在Hill估计和Av Hill估计应用在词频统计领域中,发现了它们在实际应用中的优缺点。同时,融合矩估计方法和最大似然估计方法的思想,给出重尾评测的混合矩估计(Mixed Moment Estimators,MM),简称MM估计,其在渐近方差上也低于Hill估计。我们利用Matlab R2014B对Hill估计、Av Hill估计和MM估计叁种方法进仿真模拟并发现它们在不同的数据容量中表现出了不同的优缺点。由于Hill估计方法在金融领域得到了广泛的应用,因此我们将Hill估计、Av Hill估计与MM估计共同应用在金融数据中的股票数据的涨跌变化量,它们在实际数据应用中也体现出了不同的优缺点。将此叁种方法共同应用在股票数据的涨跌的变化值的测试中,进行综合运用估计。这叁种方法在股票数据中的应用得了良好的应用。(本文来源于《哈尔滨理工大学》期刊2018-03-01）
高艳颖[5]（2017）在《基于极值理论的重尾分布的尾部参数估计及理论推导》一文中研究指出随着小概率大损失事情的产生,找寻解决小概率事件的措施就变得尤为重要。若是人们能够准确地预测出极端事件发生的可能性,人们就可以在极端事件发生之前做好相应的准备工作,以减少人员和财产的损失,这就需要对极值模型的极值指数进行准确的估计。目前,GP分布多用于对极端数据分析,其极值指数的大小可以用于衡量极端事件发生的可能性。在极值指数估计之前,需要用到以往记录的数据,并不是所用的数据越多越好,这就需要选取恰当的阈值。将选取阈值的方法与模型的参数估计方法进行结合,进而计算出GP分布的极值指数。本课题主要是对GP分布的阈值选取方法和极值指数的参数估计方法进行了学习和研究。对于阈值的选取方法,本课题提出了阈值选择方法对模型的阈值进行选取和确定。本文选择了最常用的平均超出量图法。考虑到平均超出量图法并不能选择出唯一的阈值并且阈值的选取也并不精确的问题。根据广义Pareto的分布函数计算出其相应的对数似然比统计量和score统计量,再将这两种统计量分别与平均超出量图法进行结合进而选择出恰当的阈值。可以利用平均超出量图法寻找到阈值可能存在的范围,依据此范围内的对数似然比统计量和score统计量的最大值所在的位置,就可以选择出恰当的阈值。此选取阈值的方法,既可以克服单独使用平均超出量图法的缺点,又能提高阈值选取的精确性。对于参数的估计方法,本课题选取了MLE方法对分布的极值指数进行计算。极大似然原理奠定了该方法的基础,因此,需要求解出GP分布的对数似然函数的最大值点,再将样本值带入最大值点的表达式中,就可以估算出极值指数的数值。根据阈值选方法选择的阈值,利用MLE方法对超过阈值的数据的极值指数进行估计,进而可以对极端事情发生的可能性进行精确的预测。采用实例验证。1991年SOA的医疗理赔数据是典型地服从GP分布的重尾分布,采用阈值选择方法可以选择出SOA医疗理赔数据的最佳阈值,规避了出现阈值歧义的问题,能够为SOA医疗理赔数据选择出唯一的阈值。根据选择出的阈值,利用极大似然估计方法对极值指数进行参数估计。根据重尾分布的尾部参数方法,可以对极值指数进行准确的估计。(本文来源于《哈尔滨工业大学》期刊2017-12-01）
贺园园[6]（2017）在《重尾分布中二阶参数和叁阶参数的渐近无偏估计》一文中研究指出研究表明,在金融、保险、气象学、水文学、环境学和社会学等领域都存在重尾现象,它们具有尖峰厚尾的特征。如何刻画尾部的特征,即如何对重尾指数进行估计,是学术界讨论的焦点,可是与重尾指数密切相关的二阶参数和叁阶参数也是不容忽视的。极值理论中,二阶参数扮演着非常重要的角色,重尾分布的尾部指数估计中门限的最优选取和尾指数降偏差估计的渐近偏差都取决于二阶参数。那么,如何估计二阶参数就成为学术界研究的焦点。本文基于统计量T_(n,k)(K),通过适当选择两个有偏差的样本的线性组合构造了一类二阶参数的渐近无偏估计,在二阶正则条件下研究了二阶参数估计量的相合性,在叁阶正则条件下研究了二阶参数估计量的渐近正态性。最后通过模拟,在特定条件下,将本文提出的无偏估计量与Goegebeur et al.(2010)提出的估计量的均值和方差进行模拟比较,结果表明,本文中的估计量表现更好。叁阶参数反映了二阶条件的收敛速率,用来研究二阶参数的渐近性质,所以有必要对叁阶参数估计量进行研究。本文基于统计量T_(n,k)(K),通过适当选择两个有偏差的样本的线性组合构造了一类叁阶参数的渐近无偏估计量,在四阶正则条件下研究了估计量的渐近正态性。(本文来源于《山西大学》期刊2017-06-01）
王亢,贡毅,徐志江,卢为党,华惊宇[7]（2017）在《基于对数累积量的重尾分布脉冲干扰参数估计及性能分析》一文中研究指出在无线通信网络中存在用对称α稳定分布来建模的脉冲重尾干扰.而在信号检测、信道译码、无线网络中断概率及误码率分析等应用场景,需要预先知道干扰的概率密度函数.本文利用重尾干扰复信号包络的对数累积量,给出了特征指数和分散系数的估计算法,并具体推导出了参数估计变量的概率分布,该分布可用于定量分析估计的可靠性.除此之外,在实际系统中,接收端不仅有复对称α稳定分布描述的重尾脉冲干扰,还包括与之相互独立的复Gauss噪声,称之为双变量混合噪声.本文提出了用单变量的复对称α稳定分布模型来近似双变量混合噪声的方法.通过仿真和数值计算,验证了这种近似是合理的.再者,在此基础上,本文给出了混合噪声参数与几何功率信噪比之间的关系.因此,在合理的近似下,对数累积量的估计算法及性能分析在双变量混合噪声下仍然有效.(本文来源于《中国科学:信息科学》期刊2017年02期）
贺园园[8]（2016）在《重尾分布中二阶参数的渐近无偏估计》一文中研究指出基于统计量T_(n,k)(K),先提出二阶参数的有偏估计量,再通过2个有偏估计量的线性组合构造了一类二阶参数的渐近无偏估计.在二阶正则条件下,研究了估计量的相合性;在叁阶正则条件下,研究了估计量的渐近正态性.最后通过模拟,在特定条件下,将此无偏估计量ρn,k(K~(1,2),α,t*(ρ,β))与Goegebeur提出的估计量ρ_(n,k)(K~(1,2),α_1,α_2,l)的均值和方差进行模拟比较,结果表明,提出的无偏估计量表现更好.(本文来源于《云南民族大学学报(自然科学版)》期刊2016年06期）
方丽[9]（2016）在《基于重尾分布有限时间内破产概率及数据模拟》一文中研究指出保险公司在做无风险和有风险的投资时,总会考虑一个离散周期内的保险风险模型.假定一个周期内的保险风险因子和金融风险因子来自一个相互独立的(X,Y)随机变量序列对,且X与Y存在某种相依的成分.当XY的分布是重尾分布,而且在(X,Y)之间存在一些相依结构上的限制时,我们考虑一个有限时间内的破产概率的渐近式,这一渐近式和之前文献中的一些结果也是一致的.不同的特别情况也会在本文中有所说明.我们的工作总结了之前的结论,并对其推广.之前文献讲述的是一维的情形,在此基础上,我们将一维扩展到二维的情形上,得到一些重要的结论.我们还对一维和二维的渐近结果进行了数据模拟.(本文来源于《大连理工大学》期刊2016-06-01）
曾友佳[10]（2016）在《基于交叉熵的重尾分布极端事件模拟》一文中研究指出极端事件指发生概率非常小的事件,比如地震、保险破产、系统失效等。极端事件一旦发生,往往会造成比较严重的后果。估计极端事件的概率有着重要的现实意义。重要抽样是估计极端事件概率的一种方法,它克服了一般蒙特卡罗模拟在估计极端事件概率时的缺点。重尾分布是广泛应用于各类风险估计的一类分布。最小交叉熵方法是估计最优重要抽样参数有效的方法,它通过最小化重要抽样分布与零方差分布之间的交叉熵距离来减小估计的方差。本文运用了两种最小交叉熵方法,多层交叉熵方法和极大似然交叉熵方法来估计两种重尾分布,对数正态分布和对数Gamma分布情形下的极端事件概率,结果表明基于最小交叉熵的重要抽样优于一般蒙特卡罗模拟。(本文来源于《苏州大学》期刊2016-05-01）
重尾分布论文开题报告
（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：
本文在详细分析了布谷鸟算法(CS)的特点之后,根据相关应用背景,对布谷鸟算法(CS)进行了一系列改进。仿真实验证实了改进布谷鸟算法(CS)的有效性,并将改进算法应用于非线性Hammerstein模型辨识。具体内容如下:(1)首先详细介绍了近十年来发展迅速的布谷鸟算法(CS),布谷鸟算法(CS)是一种新型群智能寻优算法。通过详细分析布谷鸟算法(CS)的工作原理,了解到布谷鸟算法(CS)作为一种群智能寻优算法,产生新解的方式是levy飞行。本文依据不同的系统辨识需求提出了两种改进的布谷鸟算法TTCS和GMDA,并将其作为相应系统辨识参数寻优的强有力的工具。(2)针对于单输入单输出的非线性Hammerstein模型进行研究。以往大多数非线性Hammerstein模型的研究多数为基于解析方法,研究难度大,尤其非线性部分本身很难提炼出解析解。针对这类问题,本文尝试利用模块化非线性系统辨识方法,提出利用函数连接型神经网络(FLANN)来近似Hammerstein模型的非线性部分。相应的,为了对上述提出的模块化模型参数进行辨识,本文提出利用一种典型重尾分布学生t分布以及由学生t分布产生的在区间(0,1)之间的序列来对布谷鸟算法进行改进。文章第叁章的仿真实例证实了改进算法(TTCS)在处理单输入单输出Hammerstein模型参数辨识时的有效性。(3)针对重尾噪声影响下多输入多输出系统Hammerstein模型的辨识问题进行研究。以往系统辨识问题多数是在白噪声及基于白噪声的有色噪声假设下进行研究。近年来研究发现在一些复杂工业问题中,将噪声假设为高斯噪声类,相对来说显得有些过于保守了。不少的研究发现,一些系统中有离群点的出现。然而针对于此类非高斯噪声影响下的非线性系统辨识尚没有比较统一的解析方法。本文尝试采取模块化系统辨识方法,利用径向基函数(RBF)神经网络,将此类辨识问题转化为一种参数优化问题。利用本文提出的一种改进的布谷鸟算法(GMDA)来解决上述优化问题。文中第四章的仿真实例证实了 GMDA在解决此类问题时的有效性(4)探索了利用智能寻优算法训练神经网络的可能性。在(2)和(3)中,对于函数连接型神经网络(FLANN)和径向基(RBF)神经网络训练没有采用传统的梯度下降算法,而是将神经网络的训练转化为参数寻优问题,从而将以往需要凭人工经验给出的相关参数也转化为了可以利用智能寻优算法训练的值。降低了神经网络训练的难度,减小了训练复杂度。
（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。
重尾分布论文参考文献
[1].单国栋,侯以恒,刘柏森.基于一类重尾分布的函数型线性回归模型的稳健性估计[J].数学的实践与认识.2019
[2].王贺贺.基于重尾分布布谷鸟算法的非线性系统辨识研究[D].北京化工大学.2018
[3].蔡人杰.重尾分布高条件分位数估计[D].大连理工大学.2018
[4].黄飞.重尾分布研究及应用[D].哈尔滨理工大学.2018
[5].高艳颖.基于极值理论的重尾分布的尾部参数估计及理论推导[D].哈尔滨工业大学.2017
[6].贺园园.重尾分布中二阶参数和叁阶参数的渐近无偏估计[D].山西大学.2017
[7].王亢,贡毅,徐志江,卢为党,华惊宇.基于对数累积量的重尾分布脉冲干扰参数估计及性能分析[J].中国科学:信息科学.2017
[8].贺园园.重尾分布中二阶参数的渐近无偏估计[J].云南民族大学学报(自然科学版).2016
[9].方丽.基于重尾分布有限时间内破产概率及数据模拟[D].大连理工大学.2016
[10].曾友佳.基于交叉熵的重尾分布极端事件模拟[D].苏州大学.2016
论文知识图
