一、基于Minnesota共轭先验分布的贝叶斯VAR(p)预测模型（论文文献综述）
张宇生[1]（2021）在《基于概率图模型的个性化推荐算法研究与并行实现》文中研究表明随着互联网的高速发展,很多电子商务平台逐渐兴起并提高了大众生活质量,但随着数据规模的爆炸式增长,正在使用推荐系统的互联网平台（如阿里巴巴、Paper Weekly等）面临着严重的信息过载问题,无法针对用户特点做有效的个性化推荐。由于传统推荐算法的模型表达能力不够强,而概率图模型同时具有概率论和图论的优势,故可使用概率图模型对推荐问题中各变量之间的依赖关系提供解释性更强的建模,但很多基于概率图模型的推荐算法在求解参数时仅使用朴素的零均值球形高斯先验分布,无法实现迭代式参数求解,因而对已有商品（in-matrix）推荐效果较差;其次,很多推荐算法无法解决冷启动问题,即刚进入系统的新商品（out-of-matrix）会由于没有任何购买历史而很难将其推荐给任何用户;此外,有些推荐算法虽然融合了社会化信息以缓解评分矩阵稀疏度过高的问题,但并未考虑用户间的信任曝光因素;最后,推荐算法的时间复杂度往往很高,程序运行效率偏低。为了解决上述问题,本文主要针对曝光矩阵分解算法（Exposure Matrix Factorization,Expo MF）进行研究,提出了两个改进的算法,主要工作如下:（1）提出基于变分自编码器的混合推荐算法（Variational Autoencoder-based Hybrid Recommendation,VAHR）。在Expo MF算法的概率图模型的基础上,使用吉布斯采样做参数的推断,从而将某参数在前一次迭代中得到的完整条件分布作为其下一次迭代的先验分布,依靠先验分布与似然函数之间的共轭关系直接得出后验分布的解析解,以此实现迭代式的参数推断;使用最大后验概率-期望最大化算法实现迭代式的参数估计,并分析两种求解方式的异同;通过变分自编码器抽取用户曝光向量的隐特征并重构,以此预测各商品对于该用户的曝光概率;利用以上推断出的参数训练得到一个可提取商品隐特征的变分自编码器,以此解决新商品的推荐问题。实验表明,VAHR与其他同类型的算法相比,对于in-matrix和out-of-matrix问题都能有效地提高召回率。（2）提出基于曝光的社会化推荐算法（Exposure-Based Social Recommendation,EBSR）。在VAHR算法的基础上融合社会化标签和社交信任关系两类社会化信息来提取用户和商品的隐特征,以缓解矩阵稀疏度问题;考虑到社交信任关系矩阵中的负反馈值可能受到用户之间信任曝光因素的影响,于是在使用用户-商品评分曝光隐变量的基础上进一步引入用户-用户信任曝光隐变量;在用户-商品评分及用户-用户信任关系两种观测变量的生成过程中引入校正偏置项,以实现可解释性更强的建模;最后使用吉布斯采样和最大后验概率-期望最大化算法迭代地求解参数,并分析两种求解方式的异同;考虑到EBSR算法中吉布斯采样的并行性,利用Java提供的并行框架Fork/Join优化算法的运行速度。通过在Last.fm以及爬取得到的知乎数据集上的实验表明,EBSR与同类型的算法相比能有效地提高评分预测精度,并通过并行实现可达到较高的加速比。
张良超[2]（2021）在《连续型损失分布的近似贝叶斯估计及其应用》文中提出非寿险精算学主要是以非寿险中的不确定性为研究对象,通过建立随机模型对险种的损失进行刻画。在保险精算实际中,保险事故发生后,通常会造成经济损失。根据保险合同的约定,保险公司需要对事故所造成的经济损失进行赔偿。我们的目标是根据观测到的一系列索赔数据来建立损失分布模型。假设损失(3由未知的风险参数识别,由于保单组合风险的非齐次性,的可能取值由随机变量来刻画,设的概率分布为（）,在贝叶斯分析中称为先验分布,故对的估计就落入了贝叶斯框架。信度估计的基本思想是同时利用样本信息与先验信息确定风险参数。在经典的B¨uhlmann模型中,信度估计可以表示为个体均值与聚合均值的加权平均。如何充分地利用先验信息是贝叶斯统计推断的重要内容。本文主要研究了两类损失分布（双参数指数分布和对数正态分布）的参数估计方法。研究了参数的极大似然估计、矩估计、贝叶斯估计及其统计性质。在大样本情况下,这几种方法的结果都很准确。但在小样本情况下,贝叶斯估计优越性明显,由于贝叶斯估计依赖样本分布和先验分布形式,通常会遇到积分无法计算的情况,无法得到显示解。因此我们在信度理论基础上,通过引入一个新的函数类,提出了双参数指数分布和对数正态分布中尺度参数的二次贝叶斯估计。二次贝叶斯估计不依赖具体的先验分布形式,仅利用先验分布的前4阶矩,而且具有解析解的形式便于实际使用。对不同的损失分布而言,二次贝叶斯估计的表达式具有统一的形式。在均方误差准则下,二次贝叶斯估计优于经典的信度估计和极大似然估计。先验分布形式给定,在先验均值固定情况下,一个先验信息更集中的先验分布可以降低二次贝叶斯估计的均方误差。从逼近贝叶斯估计的视角来看,二次贝叶斯估计趋近贝叶斯估计对先验分布的选择具有稳健性,且近似程度优于线性贝叶斯估计。最后,基于一个实际数据,验证了二次贝叶斯估计的有效性。
周天[3]（2021）在《基于网约车轨迹数据的路网速度估计与预测方法研究》文中进行了进一步梳理在交通拥堵问题日益严重,拥堵并发问题影响社会经济发展和人民正常生活的情况下,智能交通系统（ITS）逐渐发展并被普及应用。道路交通数据的采集和预测是ITS的基础,为交通管理、交通控制、动态诱导等应用提供支撑。在交通数据采集方式中,移动检测器由于成本低、覆盖率高等特点得到广泛应用,而网约车可以被视为移动检测器的一种,网约车的发展为道路交通数据采集和交通状态估计及预测提供了新思路。因此,本文基于网约车轨迹数据,利用先进的算法对路网交通速度进行估计和预测,旨在为道路交通速度获取提供新思路、为相关算法的研究提供理论参考。首先,应用数据挖掘、地理空间信息处理等理论与技术,建立了网约车轨迹数据处理流程,根据研究时间范围与空间区域,对轨迹数据进行时空映射得到了实验数据集。利用数理统计等理论,从实验数据集中提取出路网速度,为研究路网速度估计及预测算法提供数据支撑。其次,详细阐述了张量基础和张量分解模型等相关理论,通过对路网速度数据进行相关性分析,基于数据时空关联性对路网速度数据构建张量模式以充分利用路网速度的时空特性,为后续研究提供理论基础。再次,针对现实中网约车时空分布不均衡的现象,将路网速度估计问题转化为缺失值插补问题,引入两种基于张量的插补模型（CP＿WOPT和Tucker＿ALS）并将其应用于路网速度估计。针对现有模型精度不高的问题,提出一种基于Tucker分解的改进插补模型（TDII）,通过动量梯度下降法,以及改进目标函数以提高模型的精度和稳定性;通过提出自适应秩算法以解决张量秩选取的问题。利用实验数据从张量模式对比、不同模型对比、参数分析三个方面设计实验验证了模型的适用性和有效性。最后,为了避免一般张量分解算法中的非凸优化问题,提高预测的精度,借助贝叶斯理论,提出一种基于贝叶斯概率CP分解的单步预测模型（BPCP＿SP）用于路网速度单步预测。另外,为了使模型更贴合实际应用,引入动态张量模型,将BPCP＿SP拓展为基于动态贝叶斯概率CP分解的多步预测模型（DBPCP＿MP）用于路网速度多步预测。利用实际数据设计实验,探究预测时间段对预测结果的影响,同时对比几种先进预测模型的预测结果。结果证实,提出的算法在平衡精确度和鲁棒性的前提下,既可以用于路网速度的单步预测也可以用于多步预测,具有实际应用的意义。图47幅,表9个,参考文献89篇。
杨昊庆[4]（2020）在《非饱和土坡水力参数空间变异性概率反分析研究》文中指出天然土体在形成发展的过程中受沉积、风化等地质作用影响,在空间上具有显着非均质特性,称为空间变异性。对非饱和土坡而言,水力参数的空间变异性对降雨入渗、水位波动等条件下坡体响应、边坡稳定性等均有着显着影响。因此,水力参数空间变异性的合理表征,对滑坡灾害防控具有重要的科学意义和工程价值。当前,岩土参数的空间变异表征以勘察测试数据为主,数量有限,无法充分把握边坡的整体空间变异性。滑坡监测是测量坡体不同工况或天然状态下的响应,具有实时性和持续性的特点。因此,利用监测数据对岩土参数的空间变异性进行估计,可改变当前依赖勘察数据的现状,为参数空间变异性表征提供新思路。同时,通过持续更新参数估计值,可以动态预测坡体状态和趋势,具有显着的工程应用价值。本文紧密围绕土性参数空间变异性反分析方法展开,针对水力参数的空间变异性,对降雨入渗条件下非饱和土坡水力参数的空间变异性表征进行了系统研究。主要工作和结论如下:（1）建立了降雨作用下非饱和土坡稳态和非稳态渗流模型,通过摄动法分析了孔压水头对饱和渗透系数ks敏感度的空间分布,基于蒙特卡洛模拟研究了ks空间变异性对孔压水头的影响。研究结果表明:坡顶处孔压对于ks最为敏感,而坡脚处整体敏感度较低。ks的空间变异性对孔压水头的分布和数值均有显着影响,孔压水头的不确定性随时间增大,其频率分布直方图表现一定的偏度和峰度,未见明显的多峰分布。（2）针对非饱和土坡的稳态渗流问题,基于贝叶斯理论,结合Karhunen-Loève展开和随机多项式代理模型,提出了一种参数空间变异性的概率反分析方法,探讨了监测布置方案关键参数和参数自身的空间分布特性对空间变异性概率反分析的影响规律。研究结果表明:该方法对降雨入渗作用下非饱和土坡水力参数的空间变异性估计较为准确;加密监测断面和增加监测深度均可提升反分析效果,但达到一定监测深度后估计误差不再继续降低;反分析效果也与非均匀参数的空间分布特征有关。（3）针对非饱和土坡的非稳态渗流问题,通过范数截断方案和逐步回归技术,构建自适应稀疏随机多项式,实现了基于时空监测数据的空间变异性概率反分析,研究了监测频率及时段对空间变异性概率反分析的影响。研究结果表明:自适应稀疏随机多项式对非稳态入渗模型的代理效果显着改善,其代理效果在低基质吸力和正孔压下表现更好,并且随着降雨过程逐渐提升,可以准确代理孔压概率分布至二阶矩;随着监测频率降低,估计误差和不确定性都会增加;采用降雨后期的孔压监测数据对ks空间变异性反分析更为准确。（4）以香港东涌滑坡监测工程为例,开展了非饱和土坡水力参数概率反分析研究,验证了提出方法的适用性和反分析结果的合理性。研究结果表明:分层土模型能更显着地降低参数不确定性,预测值与实测值吻合程度较高;时变监测数据有助于提升空间变异性反分析效果,降低预测误差;反分析得到的空间变异ks与钻孔数据和DPT数据具有一致性,可以合理地反映地层剖面的空间变异性特征。
章溢[5]（2020）在《非寿险精算中风险保费的经验厘定及其应用研究》文中指出在保险精算中,风险的定义为被保险人可能遭受的损失。为了将这种不确定性转嫁给保险公司,投保人需要缴纳固定金额的保险费或保费。对投保人来说,希望风险在尽可能被转移的条件下,缴纳的保费越少越好。对保险公司而言,需要根据风险本身的特征制定合适的保费定价策略。保费太低,保险公司将遭受损失甚至破产;保费太高,被保险人将选择能提供更低保费的其他保险公司,导致保险公司失去保单。对保险公司来说,合理定价保费是精算师最重要的任务之一。在概率统计中,常用非负随机变量来刻画风险。随机变量的概率分布完全决定了风险的取值特征,这时保费可定义为从非负随机变量到非负实数集合的一个函数。常用的保费计算原理包括期望值保费原理、方差保费原理、标准差保费原理、修正方差保费原理、指数保费原理、Esscher保费原理、Kamps保费原理、荷兰保费原理等等。对选取的保费计算原理,精算师需要根据已有的数据资料对保费进行尽可能准确地估计,以使得制定的保费既能正确反映风险的特征,又能让保险公司正常运转并在市场中具有竞争力。在非寿险保险的保费估计过程中,有两类信息可供使用。一类是保单持有人在若干保单期内的损失样本的观测值,另一类是同行业的保费资料或精算师的经验知识等形成的先验信息。在早期的保险精算中,精算师建立了保单损失的贝叶斯模型,将净保费的估计限定在样本的线性函数中,在平方损失函数下得到的保费估计恰好为经验保费和聚合保费的加权平均,其中权重被称为信度因子。在多合同保单数据中,利用经验贝叶斯方法可以得到信度因子的估计,从而得到保费的经验贝叶斯估计,这种保费定价的方法也称为信度理论或经验厘定。然而,从数学形式上看,净保费原理本质上是在风险参数给定的条件下风险保费的条件均值。因此,净保费原理仅仅反映了风险的数学期望特征,而与随机变量的波动性如方差等无关。更重要的是,净保费原理不能满足保费计算原理的正的安全负荷性。因此,早期的信度理论在实际中并不能直接运用。在近代的信度理论中,已经有较多的文献讨论了在一些常用保费计算原理中风险保费的信度估计及经验厘定问题。从已有文献的研究方法和结果来看,大部分都是基于损失函数的方法来研究某些特殊的保费计算原理中风险保费的经验厘定问题。但这种方法不容易推广运用到其它保费计算原理。在此基础上,本文研究了Esscher保费原理、期望效用保费原理、矩相关保费原理等保费计算原理中风险保费的信度估计及其经验厘定问题。本文研究的经验厘定方法不仅能直接运用于非寿险精算的保费定价,而且给出了这些保费计算原理中保费厘定的统一方法。由于本文讨论的保费计算原理都具有正的安全负荷性,因此在实际中可以直接使用。本文的研究结果可为精算师在保费定价过程中提供新的思路和理论依据。综合来说,本文的研究内容包含以下六个方面。（1）详细介绍了经典的信度理论模型,比较了净保费原理中风险保费的极大似然估计、贝叶斯估计和信度估计的估计效率。介绍了非寿险精算中常用的保费计算原理及其性质,并以期望值保费原理和Va R保费原理为基准,利用数值模拟和Bootstrap方法研究了保费估计的最优性。此外,以指数保费原理为例,讨论了保费的变点存在与否的假设检验问题,给出了变点位置的估计,并证明了变点估计的收敛速度。（2）研究了Esscher保费原理中风险保费的经验厘定问题。已有较多的文献研究Esscher保费原理中风险保费的信度估计问题。与传统的研究方法不同,本文通过分析风险保费的结构,将风险保费分为两部分,分别利用信度估计的思想独立进行线性化估计,并通过最小化加权期望平方损失得到风险保费的信度估计。与已有研究的结论相比,本方法得到的信度估计的相合性非常容易证明,且结构参数易于估计。数值模拟的结论表明,本文得到的估计比已有的估计具有更小的均方误差。进而,利用保险公司的实际数据对本文的结果进行了验证和比较。（3）结合经济学中的期望效用原理,利用期望效用平衡准则给出了期望效用保费原理中风险保费的定义,研究了风险保费的贝叶斯估计和两种形式的信度估计,并证明了贝叶斯估计和信度估计的相合性和渐近正态性。在多合同的保单组合模型中,提出了结构参数的估计方法,进而得到了风险保费的经验贝叶斯估计。通过选取不同的效用函数,这部分的结果可看作净保费原理、指数保费原理和Esscher保费原理中信度估计的推广。模拟结果显示,本文提出的信度估计不仅具有良好的统计性质,而且与效用理论相吻合。最后,利用某保险公司汽车第三者责任险的保单组合数据,验证了信度估计的效率。（4）提出了一种新的保费计算原理——矩相关保费计算计算原理。该保费计算原理至少包含了六种常用的保费计算原理。在此基础上,建立了矩相关保费原理的贝叶斯模型。结合信度理论的思想,得到了矩母函数的信度估计,最终得到了风险保费的信度估计。本部分内容的研究统一了至少六种常用保费计算原理中风险保费的经验厘定方法。在数值模拟部分,分别在净保费原理、方差保费计算原理、Esscher保费计算原理、指数保费计算原理中将本文提出的信度估计与已有信度估计进行比较。结论显示,本文得到的估计不仅具有很好的统计性质,而且具有较强的普适性和实用性。进一步,将估计条件矩母函数的方法运用于估计条件分布函数,从而得到失真保费计算原理中风险保费的两种形式的信度估计和相应的经验贝叶斯估计。在失真保费计算原理中,证明了这两种信度估计的大样本性质,并比较了它们的效率。（5）将索赔额的经验厘定方法运用于聚合风险模型。在聚合风险模型中,分别假设索赔额和索赔次数依赖于不同的风险参数,因而建立了聚合风险的二元联合贝叶斯模型。在方差相关保费计算原理下,研究了总风险的贝叶斯估计和信度估计问题。进一步地,在泊松聚合风险模型中,讨论了四种常用保费计算原理中风险保费的厘定问题。通过数值模拟方法比较了贝叶斯估计和信度估计的均方误差,同时验证了估计的统计性质。（6）研究了经验厘定方法在责任准备金评估中的应用。通过建立责任准备金的随机进展因子的贝叶斯模型,得到了随机进展因子的信度估计,并得到了责任准备金的信度估计。与传统的链梯法相比,在本文的研究中,假设进展因子为随机变量,得到的责任准备金估计不仅利用了进展因子的先验信息,而且不需要假设样本和进展因子的具体分布形式。当进展因子的先验分布退化为单点分布时,本模型可退化为传统的链梯法,因此本文的模型可以看成是传统链梯模型的推广。模拟的结果显示,本文的方法比传统的链梯法精确度更高。
冷娜[6]（2020）在《基于贝叶斯和极大似然法的原油价格动态预测研究》文中研究说明原油是保证一个国家国民经济各部门维持正常生产生活的重要战略资源。近年来,国际原油市场的大幅度波动越来越频繁近,其背后的原因不仅仅包括资产本身的供求关系相关,还与地缘政治因素、政府的政策走向、金融市场稳定性相关联。作为世界的经济大体,中国可以说是世界上原油需求量最大的国家之一,中国每年的原油进口量十分巨大,而随着中国经济开放程度的不断提高,原油价格的波动对中国经济的稳定运行必定会造成各种各样的影响,这种影响也会越来越直接。原油价格的变化莫测扰了企业做出正确的决策,同时也对政府政策制定、投资者的投资组合产生至关重要的影响,若能找到正确的方法对油价的走向作出合理的预测,就可以在面对油价的大幅波动时,做出符合预期的决策,从而最大限度的将损失降到最低,让企业、市场、政府、个人的利益得到在预期范围的保护。由此可见,原油价格预测就对各方变得至关重要。鉴于原油具有商品、金融及政治等多种属性,本文总结了前人在原油价格预测方面的丰富研究成果,试图能够实现更加精确的原油价格的预测,因此本文将WTI原油价格的五分钟高频数据作为研究对象,提出了利用基于贝叶斯方法和极大似然估计方法的Heston原油价格预测模型,并将贝叶斯方法和古典估计方法作为两种对比估计方法应用到模型参数的估计当中。本文通过基于贝叶斯方法极大似然估计方法下的Heston模型对原油价格进行了动态预测。在实证部分,本文先是基于前人的研究,对模型参数进行了估计,在贝叶斯方法和极大似然方法两种估计方法下分别得到Heston模型的五个参数的估计解析表达式。在执行的预测过程中我们利用滚动周期的样本外预测方法,试图预测原油价格在未来100天的价格,因此我们将预测区间固定为100天,并设置了六种数据长度的估计区间来检验估计区间的数据长度对原油预测效果的影响。并将MSE、MAE、RMSPE、RMSE,MAPE五种损失函数引入到原油预测效果的评价体系当中。在比较了两种方法的预测结果之后,我们发现:两种估计方法都可以有效地估计Heston模型的参数;在特定损失函数下,当估计样本量较小时,贝叶斯方法比经典估计法更具有优势,而估计样本量增加时,经典方法略优于贝叶斯方法,同时我们还用熵方法衡量了原油价的可预测性,结果显示,极大似然估计法下预测的熵值更能代表未来一段时间价格的可预测性。
刘春[7]（2020）在《考虑符号约束的FAVAR模型贝叶斯估计及应用研究》文中认为自卢卡斯批判以来,Sims提出的向量自回归模型（Vector AutoRegression,VAR）逐渐取代宏观经济联立方程模型,成为宏观经济学界一种主流分析模型。特别是VAR模型在宏观经济分析、结构推断等方面效果极好,但不可否认,其中亦存在不少缺点,比如过度参数化、没有考虑经济结构的时变特性等。过度参数化会使得估计的参数不稳定,继而结果也不稳定,而且普通的VAR模型也无法捕捉到宏观经济数据的非线性特征,这样就可能引起模型误设。因此,发展另一类既能继承VAR模型的优点,又能有效解决这些问题的模型就显得非常重要。基于上述考虑,本文从三个方面进行分析以弥补VAR模型现有的缺陷:（1）引入了因子扩展型向量自回归模型（Factor Augemented VAR,FAVAR）,该模型通过从宏观经济的众多变量中提取有效信息,并将这些提取得到的信息再进入VAR模型中,这样有效解决了信息损失和过度参数化问题;（2）采用贝叶斯VAR的建模过程,贝叶斯估计的一个重要特征是可以将先验信息与样本信息相结合,通过贝叶斯定理得到参数的后验分布并进一步确定参数估计值,以这种方法得到的参数估计值的精度及可信度大幅度提升;（3）脉冲响应分析时施加符号约束,传统的VAR模型识别方法以等式约束为主,而符号约束却是将已有经济理论转化为先验信息,再借助不等式来约束各变量之间的关系,有效避免了模型缺乏理论基础的问题。综上三个方面,本文构建了考虑符号约束的FAVAR模型贝叶斯估计实现过程。最后,利用新构建的模型对新常态下货币政策对经济增长质量的影响进行了实证研究,来证明贝叶斯视角下符号约束FAVAR模型的有效性。本文的应用研究以2000年至2018年年度数据为例,选取7天银行间同业拆借利率及货币供应量M2分别作为价格型和数量型货币政策,选取60余种宏观经济变量作为货币政策的动态效应传导变量,最后根据构建的经济增长质量评价指标体系,选取16中经济增长质量表征标量,通过主成分分析提取更具有代表性的潜在因子构建模型。特别地提取出利率因子、产出因子、经济景气因子以及通货膨胀因子代表货币政策冲击下的宏观经济动态效应,考察了在上述四种宏观经济因子变量下,价格型及数量型货币政策对经济增长质量调控的作用效果。通过对比两种货币政策对经济目标的作用研究并对比实际经济理论,发现同时考虑了符号约束与使用贝叶斯估计方法的FAVAR模型能更加有效地反映实际经济运行的状况及规律,更加全面地揭示出宏观经济运行中的各方面信息。
陶会强[8]（2020）在《随机化拟重要性重采样方法》文中研究指明随着计算机技术的发展,蒙特卡罗方法在金融工程、生物医学、宏观经济学、统计物理等诸多领域的应用日益广泛.蒙特卡罗方法的一个关键步骤是从某一个特定的目标分布中采样,因此,寻找高效的采样方法是蒙特卡罗方法中一个重要的课题.重要性重采样方法和吉布斯采样方法是众多采样方法中具有代表性的两类方法,前者通过从异于目标分布的提议分布中采样来获得独立的目标样本;而后者通过构造马尔科夫链来生成平稳分布为目标分布的样本.最近几十年,许多研究者对上述两类方法进行了改进或将两者有机结合以提高采样的效果,或者拓展采样方法的适用范围.重要性重采样方法对于提议分布的选择较敏感,而方差意义下表现最优甚至次优的提议分布往往难以构造.拟重要性重采样方法将拟蒙特卡罗思想和重要性重采样进行结合来提高采样效果.但是,其拟蒙特卡罗点集的构造方法仅适用于具有独立结构的提议分布,限制了该方法的适用范围.同时,其生成样本不具有统计随机性,无法用来估计误差.同时,重要性重采样方法和拟蒙特卡罗方法更多地应用在低维问题的处理上.本文主要在重要性重采样方法的基础上进行了一系列的研究.首先,我们将随机化拟蒙特卡罗的思想引入重要性重采样方法中,提出了随机化拟重要性重采样方法,并给出了算法的有效性和估计精度方面的理论结果.该方法使用Rosenblatt变换来构造随机的拟蒙特卡罗点集,将其作为备选样本池来构造重要性重采样.该变换可以用在具有非独立结构的提议分布上,拓宽了拟重要性重采样方法的适用范围.同时,由其生成的样本具有随机性,能够用来得到估计的精度.其次,针对多峰分布的采样问题,我们进一步给出了全局重要性重采样方法.我们给出了一种称为“逐步边界”的方法来构造一个能够尽可能地覆盖目标分布支撑的超长方体区域,然后将该区域上均匀散布的随机化拟蒙特卡罗点集作为备选样本池来构造重要性重采样算法.通过数值模拟,我们将其与进化蒙特卡罗方法和全局似然比方法进行比较,我们提出的算法生成的样本更加高效.最后,为解决拟蒙特卡罗方法不适用于高维分布的问题,我们将随机化拟重要性重采样方法或全局重要性重采样方法与吉布斯采样方法进行结合,给出了一种混合吉布斯算法.通过模拟计算可以看出,该混合吉布斯采样方法在高维分布采样以及非共轭贝叶斯模型中均有较好的表现.下面简要介绍本论文各章的内容.第一章是本文的绪论部分.该章对本文的研究背景做了简单的介绍,并对已有的研究文献进行了综述,最后给出了本文的研究问题并介绍了本文的创新点和结构.第二章给出了一些必要的预备知识,详细地介绍了拟蒙特卡罗方法的基础理论以及重要性重采样方法的基本步骤,为后续章节的展开奠定了基础.在拟重要性重采样方法的基础上,第三章将随机化拟蒙特卡罗的思想引入重要性重采样方法,提出了随机化拟重要性重采样方法,并给出了算法的渐进有效性和估计误差收敛速度的一些结论.第四章给出了一种提高生成备选样本池效率的方法,该方法在降低计算成本的同时使新算法具有更加广泛的适用性.同时,模拟计算显示,这种形式的重要性重采样方法在多峰分布的采样上具有较大优势.第五章给出了一种混合吉布斯采样方法,该算法结合了随机化拟重要性重采样方法和吉布斯采样方法,这种结合主要解决高维分布的采样问题.除此之外,该混合吉布斯采样方法也可以用于解决非共轭的贝叶斯问题.通过模拟计算可以看出,在高维分布采样问题以及非共轭贝叶斯问题中,该混合吉布斯采样方法均得到了较好的结果.第六章对本文的工作进行了总结,反思了本文的一些不足,并对未来的工作进行了展望.
何婺晖[9]（2020）在《基于超参数先验分布的高可靠长寿命产品可靠性综合评估研究》文中提出随着产品现代科技和新型材料质量的进步,许多高可靠、长寿命型产品被广泛使用。传统可靠性评估方法已不能满足需求,为了实现精确快速的可靠性评估,本文主要基于超参数先验分布,结合Bayes统计方法,充分利用退化数据信息,对性能退化随机过程展开研究。主要研究内容包括:第一,基于无故障数据在威布尔分布场合下进行置信可靠性评估。在无故障数据情况下,结合Bayes理论将失效概率引入置信限,给出综合E-Bayes置信限,并修正Weibull分布的单侧置信可靠性。详细介绍失效概率几种估计方法,并进行可靠性置信限评估。运用经典轴承实例,证实本文提出的方法拟合结果较为精确。第二,针对单性能退化随机过程产品进行可靠性评估。借助Wiener过程和Inverse Gaussian过程对性能退化产品进行可靠性分析,考虑个体差异性,引入随机参数建立退化模型。分别基于正态-伽马先验分布得到参数估计,并通过EM算法得到超参数的先验估计值。Monte Carlo模拟试验验证了该模型具有理论价值和实际意义。第三,针对多性能退化随机过程产品进行可靠性评估。研究相关竞争失效模式下多性能退化数据,建议了一种有效融合先验信息和实测退化数据的可靠性评估方法。假设性能退化过程是Wiener过程和Inverse Gaussian过程的混合随机过程,分别选取Jeffreys无信息先验分布和特殊的共轭分布作为随机参数的先验分布,结合Bayes公式和期望最大化算法得到随机参数的后验分布。基于随机参数建立可靠度评估模型,利用Copula函数描述性能指标之间的相关性,并采用Bootstrap方法得到可靠度的置信区间。Monte Carlo模拟算例验证了该方法的合理性和有效性。
马朝忠[10]（2020）在《GNSS时间序列异常值探测方法研究及其应用》文中认为有效可靠的GNSS数据是精确定位、导航与授时的前提和基础,GNSS时间序列异常值的探测是提高数据可靠性的一个重要环节。本文主要致力于GNSS时间序列异常值探测方法及其应用的研究。基于ARIMA模型,提出GNSS时间序列异常值探测的Bayes方法、似然比方法、EM算法及其模型选择方法,并应用于卫星钟差数据处理及其BDS卫星三频周跳的探测与修复。本文的主要工作和创新点如下:1.提出了GNSS时间序列异常值探测的Bayes方法。运用Bayes统计学的理论和方法,从Bayes假设检验的角度提出了基于识别变量后验概率的GNSS时间序列异常值的探测模型和判别规则;从不同角度研究了ARIMA模型参数及识别变量的先验分布的确定方法;采用Gibbs抽样算法,提出了后验概率值的计算方法;将二次多项式模型和ARIMA模型相结合,构建了新的卫星钟差预报模型和异常值探测模型;随机选取GPS卫星4种不同类型的星钟,考察新方法的有效性,并与MAD方法进行了比较。2.提出了GNSS时间序列异常值探测的似然比方法及其成片异常值探测的抗掩盖与淹没算法。借鉴方差膨胀模型的思想,将异常值的扰动归入随机模型,运用似然比原理和方法,构建了异常值的探测模型和检验规则,将异常值的探测问题归结为假设检验问题;提出了GNSS时间序列异常值探测的似然比方法,推导了似然比检验的Score检验统计量;针对成片AO类异常值探测时易出现掩盖与淹没现象的问题,分析了成片异常值对异常值探测产生影响的机理及差分与逆差分对异常值探测产生影响的机理,提出了成片AO类异常值探测的新算法及成片异常扰动估计的方法,并将新方法应用于BDS卫星钟差数据的处理。3.提出了GNSS时间序列异常值探测的EM算法及两种改进算法。引入识别变量建立了基于ARIMA模型的异常值探测模型,并将识别变量视作隐藏变量,采用EM算法进行计算,实现了异常值的定位与定值;针对EM算法在GNSS异常值探测过程中系数矩阵易出现病态性的问题,分别运用有偏估计理论和正则化方法,对异常值探测的EM算法进行了改进,给出了相应的偏参数和正则化参数的确定方案,并应用于GPS和BDS卫星钟差数据的处理。4.提出了GNSS时间序列异常值探测的模型选择方法及其成片异常值探测的两阶段法。从模型选择的角度建立了GNSS时间序列异常值的探测模型,将异常值的探测问题转化为一个模型选择问题;提出了GNSS时间序列异常值探测的MDO度量标准,解决了异常值的定位、定值问题;提出了成片异常值探测的两阶段法及其异常值判定的标准;将新算法应用于GNSS卫星钟差数据处理,并在RMSEP、Mean和MAB三个指标下与常用的钟差异常值探测方法进行了比较。5.将新的异常值探测方法应用于BDS卫星三频周跳的探测与修复。针对三频无几何相位组合存在不敏感周跳组合,多次组合会增强数据相关性的现实问题,将本文提出的GNSS时间序列异常值探测的方法应用于BDS三频组合周跳的探测和修复;通过对孤立周跳、连续周跳、不同卫星随机周跳和多卫星多站点组合周跳的探测与修复实验,验证了四种新方法对于周跳探测的有效性、可靠性等优良性能。
二、基于Minnesota共轭先验分布的贝叶斯VAR(p)预测模型（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于Minnesota共轭先验分布的贝叶斯VAR(p)预测模型（论文提纲范文）
（1）基于概率图模型的个性化推荐算法研究与并行实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 相关研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 论文的研究工作和创新点 |
| 1.4 论文组织结构 |
| 第二章 相关理论与技术 |
| 2.1 推荐算法的概述 |
| 2.1.1 基于内容的推荐算法 |
| 2.1.2 协同过滤算法 |
| 2.1.3 混合推荐算法 |
| 2.2 概率图模型的基本概念 |
| 2.3 贝叶斯网络的推断方法 |
| 2.3.1 马尔可夫链蒙特卡洛采样 |
| 2.3.2 变分推断 |
| 2.3.3 变分自编码器 |
| 2.3.4 期望最大化算法 |
| 2.4 基于概率图模型的推荐算法概述 |
| 2.4.1 概率矩阵分解模型(PMF) |
| 2.4.2 曝光矩阵分解模型(Expo MF) |
| 2.4.3 负二项矩阵分解模型(NBMF) |
| 2.5 本章小结 |
| 第三章 基于Expo MF算法改进的个性化推荐算法研究 |
| 3.1 引言 |
| 3.2 VAHR算法 |
| 3.2.1 推断层 |
| 3.2.2 推断层的时间复杂度分析 |
| 3.2.3 变分自编码器层 |
| 3.2.4 预测层 |
| 3.2.5 算法流程 |
| 3.3 实验与分析 |
| 3.3.1 实验数据 |
| 3.3.2 对比算法 |
| 3.3.3 实验结果 |
| 3.4 本章小结 |
| 第四章 基于曝光隐变量的社会化推荐算法 |
| 4.1 引言 |
| 4.2 EBSR算法 |
| 4.2.1 生成过程 |
| 4.2.2 参数求解 |
| 4.2.3 时间复杂度分析 |
| 4.2.4 算法流程 |
| 4.3 EBSR算法的并行实现 |
| 4.3.1 并行计算的原理 |
| 4.3.2 EBSR算法的并行性分析 |
| 4.3.3 并行EBSR算法的处理流程 |
| 4.4 实验与分析 |
| 4.4.1 实验数据 |
| 4.4.2 对比算法 |
| 4.4.3 实验结果 |
| 4.5 本章小结 |
| 第五章 EBSR算法在知乎问题推荐中的应用 |
| 5.1 引言 |
| 5.2 数据预处理 |
| 5.2.1 数据源介绍 |
| 5.2.2 抓取数据 |
| 5.2.3 数据整理 |
| 5.3 实验与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文 |
（2）连续型损失分布的近似贝叶斯估计及其应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 引言 |
| 1.1 研究背景与研究现状 |
| 1.2 本文的创新与结构 |
| 第二章 双参数指数分布及其参数估计方法 |
| 2.1 双参数指数分布及性质 |
| 2.2 参数(θ, μ)的三大点估计 |
| 2.3 尺度参数的近似贝叶斯估计 |
| 2.3.1 线性贝叶斯估计 |
| 2.3.2 二次贝叶斯估计 |
| 第三章 双参数指数分布的模拟比较与实证分析 |
| 3.1 参数(θ, μ)的三大估计精度对比 |
| 3.2 二次贝叶斯估计的优良性 |
| 3.3 实证分析 |
| 第四章 对数正态分布及其尺度参数估计方法 |
| 4.1 对数正态分布及性质 |
| 4.2 矩估计与极大似然估计 |
| 4.3 贝叶斯估计与近似贝叶斯估计 |
| 4.4 数值模拟 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 硕士期间研究成果 |
（3）基于网约车轨迹数据的路网速度估计与预测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通数据估计研究现状 |
| 1.2.2 交通数据预测研究现状 |
| 1.2.3 研究现状总结 |
| 1.3 研究内容及技术路线 |
| 2 网约车轨迹数据处理及路网速度提取 |
| 2.1 数据来源和数据预处理 |
| 2.1.1 数据来源和数据介绍 |
| 2.1.2 数据预处理 |
| 2.1.3 轨迹数据预处理流程 |
| 2.2 实验数据集确定 |
| 2.2.1 研究时间范围确定 |
| 2.2.2 研究空间区域确定 |
| 2.2.3 地图匹配 |
| 2.2.4 实验数据集处理流程 |
| 2.3 路网速度计算 |
| 2.4 本章小结 |
| 3 张量理论及数据建模 |
| 3.1 张量基础 |
| 3.1.1 张量定义 |
| 3.1.2 张量运算 |
| 3.2 张量分解模型 |
| 3.2.1 CANDECOMP/PARAFAC分解模型 |
| 3.2.2 Tucker分解模型 |
| 3.3 基于张量的数据建模 |
| 3.3.1 相关性分析 |
| 3.3.2 张量模式构建 |
| 3.4 本章小结 |
| 4 基于张量理论的路网速度估计 |
| 4.1 基于张量理论的插补模型 |
| 4.1.1 CP_WOPT算法 |
| 4.1.2 Tucker_ALS算法 |
| 4.2 基于TUCKER分解的改进插补模型 |
| 4.2.1 掩模张量 |
| 4.2.2 目标函数设定 |
| 4.2.3 模型初始解 |
| 4.2.4 梯度计算 |
| 4.2.5 算法伪代码 |
| 4.3 实例验证 |
| 4.3.1 实验设计 |
| 4.3.2 评价指标 |
| 4.3.3 实验结果分析 |
| 4.4 本章小结 |
| 5 基于张量理论的路网速度预测 |
| 5.1 基于贝叶斯概率CP分解的预测模型 |
| 5.1.1 贝叶斯基础 |
| 5.1.2 概率分布基础 |
| 5.1.3 基于贝叶斯概率CP分解的单步预测模型 |
| 5.2 基于动态贝叶斯概率CP分解的预测模型 |
| 5.2.1 动态张量模型 |
| 5.2.2 基于动态贝叶斯概率CP分解的多步预测模型 |
| 5.3 实例验证 |
| 5.3.1 实验设计 |
| 5.3.2 评价指标 |
| 5.3.3 实验结果分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历及攻硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）非饱和土坡水力参数空间变异性概率反分析研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景与科学意义 |
| 1.2 非饱和水力特性及参数 |
| 1.2.1 土水特征曲线 |
| 1.2.2 渗透系数方程 |
| 1.2.3 非饱和水力参数的点变异性 |
| 1.2.4 非饱和水力参数的空间变异性 |
| 1.3 空间变异参数生成方法 |
| 1.3.1 确定性空间插值方法 |
| 1.3.2 随机场模拟方法 |
| 1.3.3 地质统计插值方法 |
| 1.4 参数反分析基本原理和主要方法 |
| 1.4.1 基本原理 |
| 1.4.2 确定性反分析 |
| 1.4.3 概率反分析 |
| 1.4.4 参数反分析在岩土工程的应用 |
| 1.5 空间变异性反分析主要方法 |
| 1.5.1 空间变异性反分析的自适应方法 |
| 1.5.2 基于协克里金的空间变异性反分析方法 |
| 1.5.3 向导点法(pilot points) |
| 1.6 现有研究工作不足 |
| 1.7 本文主要创新点 |
| 1.8 本文结构 |
| 第二章 降雨入渗非饱和土坡随机分析 |
| 2.1 降雨入渗非饱和土坡的数值计算模型 |
| 2.2 敏感度分析 |
| 2.3 降雨入渗非饱和土坡随机分析 |
| 2.3.1 数值建模与随机场导入 |
| 2.3.2 稳态渗流分析的计算结果 |
| 2.3.3 非稳态渗流分析的计算结果 |
| 2.4 本章小结 |
| 第三章 稳态入渗非饱和土坡的参数空间变异性反分析 |
| 3.1 基于MCMC的贝叶斯概率反分析方法 |
| 3.1.1 贝叶斯方法 |
| 3.1.2 似然函数选取 |
| 3.1.3 后验分布计算 |
| 3.1.4 MCMC后验分布计算方法 |
| 3.1.5 建议分布自调节 |
| 3.2 Karhunen-Loève降维 |
| 3.2.1 主成分分析 |
| 3.2.2 Karhunen-Loève展开 |
| 3.3 随机多项式代理模型 |
| 3.3.1 随机多项式构建 |
| 3.3.2 随机多项式系数计算 |
| 3.3.3 稀疏网格配点法 |
| 3.4 空间变异性反分析方法 |
| 3.5 稳态渗流条件下的水力参数空间变异性反分析算例 |
| 3.5.1 PCE代理模型效果 |
| 3.5.2 反分析效果评估方法 |
| 3.5.3 算例分析 |
| 3.6 分布式监测方案对空间变异性反分析的影响 |
| 3.6.1 监测断面位置影响 |
| 3.6.2 监测断面间距影响 |
| 3.6.3 监测深度影响 |
| 3.7 水力参数非均质分布可靠估计的条件 |
| 3.7.1 研究方法 |
| 3.7.2 基于500 个基准场的反分析效果评价 |
| 3.7.3 RMSE极端值和非均质分布的关系 |
| 3.8 本章小结 |
| 第四章 非稳态入渗非饱和土坡的参数空间变异性反分析 |
| 4.1 自适应稀疏随机多项式 |
| 4.1.1 随机多项式的范数截断 |
| 4.1.2 随机多项式的自适应构建 |
| 4.2 非饱和非稳态入渗的空间变异性反分析算例 |
| 4.2.1 自适应系数多项式代理模型效果分析 |
| 4.2.2 算例分析 |
| 4.3 监测数据采集方案对空间变异性反分析的影响 |
| 4.3.1 监测频率影响 |
| 4.3.2 监测时段影响 |
| 4.4 本章小结 |
| 第五章 香港东涌滑坡监测工程的案例研究 |
| 5.1 研究区域和监测项目 |
| 5.2 分层土模型反分析研究 |
| 5.2.1 研究模型 |
| 5.2.2 研究结果 |
| 5.3 分层土坡贝叶斯递推概率反分析研究 |
| 5.3.1 贝叶斯递推参数反分析方法 |
| 5.3.2 研究模型 |
| 5.3.3 反分析结果 |
| 5.3.4 研究结果对比 |
| 5.4 二维模型参数空间变异性的概率反分析研究 |
| 5.4.1 研究模型 |
| 5.4.2 研究结果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 学术论文和科研成果目录 |
（5）非寿险精算中风险保费的经验厘定及其应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题的背景与研究意义 |
| 1.1.1 选题的背景 |
| 1.1.2 研究意义 |
| 1.2 国内外文献综述 |
| 1.3 论文的研究思路和方法 |
| 1.4 论文的创新点 |
| 1.5 论文的结构安排 |
| 第2章 风险保费的贝叶斯模型及保费的最优性分析 |
| 2.1 风险保费的贝叶斯模型 |
| 2.2 风险保费的贝叶斯估计与信度估计的比较 |
| 2.3 风险保费的经验贝叶斯估计 |
| 2.4 保费计算原理及其性质 |
| 2.4.1 保费计算原理的性质 |
| 2.4.2 非寿险精算中常用的保费计算原理 |
| 2.4.3 基于风险度量的保费计算原理 |
| 2.5 保费计算原理的比较与最优性分析 |
| 2.5.1 基于数值模拟的常用保费计算原理的比较 |
| 2.5.2 基于Bootstrap方法的保费比较 |
| 2.5.3 基于VaR的各类保费计算原理的比较 |
| 2.6 指数保费原理中保费的变点推断 |
| 2.6.1 指数保费原理中保费变点位置的估计 |
| 2.6.2 变点位置估计的大样本性质 |
| 2.6.3 保费变点的模拟研究 |
| 第3章 Esscher保费原理中风险保费的经验厘定 |
| 3.1 引言 |
| 3.2 Esscher保费的贝叶斯模型 |
| 3.2.1 Esscher保费原理 |
| 3.2.2 Esscher保费原理中风险保费的贝叶斯估计 |
| 3.3 风险保费的信度估计 |
| 3.4 风险保费的经验贝叶斯估计 |
| 3.4.1 保单组合风险模型中风险保费的信度估计 |
| 3.4.2 结构参数的估计与经验贝叶斯估计 |
| 3.5 模拟比较与实证分析 |
| 3.5.1 信度估计的计算和性质比较 |
| 3.5.2 经验贝叶斯估计与实证分析 |
| 第4章 期望效用原理中风险保费的信度估计 |
| 4.1 引言 |
| 4.2 期望效用保费原理及其性质 |
| 4.3 单保单合同模型中风险保费的贝叶斯估计 |
| 4.3.1 风险保费的贝叶斯模型 |
| 4.3.2 风险保费的贝叶斯估计和信度估计 |
| 4.4 多保单合同模型中风险保费的经验贝叶斯估计 |
| 4.5 数值模拟与比较 |
| 4.6 实际例子分析 |
| 第5章 矩母函数的信度估计及保费的经验厘定 |
| 5.1 引言 |
| 5.2 矩相关保费原理的概念和性质 |
| 5.3 矩相关保费原理中风险保费的信度估计 |
| 5.4 结构参数的估计 |
| 5.5 数值模拟与比较 |
| 5.5.1 相合性和渐近正态性的模拟 |
| 5.5.2 与已有的信度估计的模拟比较 |
| 5.5.3 经验贝叶斯估计的绩效评估 |
| 5.6 经验厘定方法在失真保费原理中的应用 |
| 5.6.1 失真保费原理中风险保费的信度估计 |
| 5.6.2 失真保费原理中风险保费的经验贝叶斯估计 |
| 5.6.3 两个经验贝叶斯估计的比较 |
| 5.6.4 数值模拟与比较 |
| 5.6.5 实证分析与比较 |
| 第6章 聚合风险模型中风险保费的贝叶斯推断 |
| 6.1 聚合风险模型 |
| 6.2 聚合风险模型中风险保费的贝叶斯模型 |
| 6.3 风险保费的贝叶斯估计和信度估计 |
| 6.4 估计的统计性质 |
| 6.5 贝叶斯假设下的泊松聚合风险模型 |
| 6.5.1 期望值保费原理中风险保费的估计 |
| 6.5.2 方差保费原理中风险保费的估计 |
| 6.5.3 标准差保费原理中风险保费的估计 |
| 6.5.4 修正方差保费原理中风险保费的估计 |
| 6.6 实际例子分析 |
| 第7章 经验厘定方法在责任准备金评估中的应用 |
| 7.1 责任准备金评估问题及研究进展 |
| 7.2 进展因子的贝叶斯模型 |
| 7.3 进展因子的信度估计 |
| 7.4 进展因子的经验贝叶斯估计 |
| 7.5 数值模拟与实证研究 |
| 第8章 研究总结及展望 |
| 8.1 本文的研究总结 |
| 8.2 论文的不足和研究展望 |
| 参考文献 |
| 博士期间的科研成果 |
| 致谢 |
（6）基于贝叶斯和极大似然法的原油价格动态预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 研究背景 |
| 第二节 研究意义 |
| 一、理论意义 |
| 二、实际意义 |
| 第三节 研究内容 |
| 第四节 研究方法和技术路线 |
| 一、研究方法 |
| 二、技术路线 |
| 第二章 原油价格预测相关理论研究现状 |
| 第一节 原油价格预测理论 |
| 一、时间序列模型 |
| 二、支持向量机(SVM) |
| 三、小波分析 |
| 四、系统动力学模型 |
| 五、神经网络模型 |
| 第二节 估计方法的国内外研究现状 |
| 一、贝叶斯方法 |
| 二、极大似然法 |
| 三、经典估计方法和贝叶斯方法的对比研究 |
| 四、随机波动模型的参数估计研究 |
| 第三节 信息熵的国内外研究现状 |
| 第四节 不同估计方法下模型预测效果的检验 |
| 第五节 文献评述 |
| 第三章 模型与估计方法 |
| 第一节 Heston模型 |
| 第二节 贝叶斯方法 |
| 一、先验分布 |
| 二、后验分布 |
| 第三节 贝叶斯计算 |
| 一、MCMC方法 |
| 二、Gibbs抽样 |
| 三、Metropolis-Hastings算法 |
| 第四节 极大似然估计法 |
| 第四章 基于贝叶斯和极大似然估计的油价预测实证分析 |
| 第一节 实证数据的选取说明 |
| 第二节 模型处理 |
| 第三节 后验密度的计算 |
| 第四节 极大似然方法的参数估计 |
| 第五节 样本外预测及预测结果分析 |
| 一、样本外预测 |
| 二、预测结果分析 |
| 第六节 原油价格的可预测性分析 |
| 第五章 结论与展望 |
| 第一节 结论 |
| 第二节 展望 |
| 参考文献 |
| 致谢 |
| 在读期间完成的科研成果目录 |
（7）考虑符号约束的FAVAR模型贝叶斯估计及应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究的目的和意义 |
| 1.3 相关文献综述 |
| 1.3.1 国外文献综述 |
| 1.3.2 国内文献综述 |
| 1.4 研究的思路和方法 |
| 1.4.1 研究思路 |
| 1.4.2 研究方法 |
| 第二章 VAR及相关模型概述 |
| 2.1 VAR模型及其识别与估计 |
| 2.1.1 VAR模型 |
| 2.1.2 VAR模型的估计与识别 |
| 2.2 FAVAR模型 |
| 2.2.1 FAVAR模型的引入 |
| 2.2.2 FAVAR模型 |
| 2.3 贝叶斯估计与符号约束方法 |
| 2.3.1 贝叶斯估计 |
| 2.3.2 符号约束 |
| 第三章 贝叶斯视角下符号约束FAVAR模型的构建 |
| 3.1 模型设定 |
| 3.2 主成分分析 |
| 3.2.1 FAVAR模型变量主成分的提取 |
| 3.2.2 从F_t中分离R_t成分的方式 |
| 3.2.3 确定F_t的维数 |
| 3.3 模型参数的贝叶斯估计实现过程 |
| 第四章 实证分析 |
| 4.1 货币政策与经济增长质量理论分析 |
| 4.1.1 货币政策运作发展 |
| 4.1.2 经济增长质量评价指标体系构建 |
| 4.1.3 货币政策与经济增长质量作用关系研究 |
| 4.2 变量的选取与预处理 |
| 4.3 模型估计 |
| 4.3.1 因子分析 |
| 4.3.2 基准模型脉冲响应分析 |
| 4.3.3 基准模型的方差分解 |
| 4.4 模型的稳健性分析 |
| 4.5 实证小结 |
| 第五章 结论与展望 |
| 5.1 研究的主要结论 |
| 5.2 不足与展望 |
| 参考文献 |
| 发表论文、参加科研情况说明 |
| 致谢 |
（8）随机化拟重要性重采样方法（论文提纲范文）
| 内容摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 概述 |
| 1.2 研究综述 |
| 1.3 研究内容 |
| 1.4 本文的创新点 |
| 1.5 论文框架 |
| 第二章 拟重要性重采样方法 |
| 2.1 重要性重采样方法 |
| 2.2 拟蒙特卡罗方法 |
| 2.3 拟重要性重采样方法 |
| 2.4 本章小结 |
| 第三章 随机化拟重要性重采样方法 |
| 3.1 随机化拟蒙特卡罗方法 |
| 3.2 随机化拟重要性重采样方法 |
| 3.3 随机化拟重要性重采样的收敛性 |
| 3.4 数值模拟 |
| 3.5 实例分析 |
| 3.6 本章小结 |
| 第四章 多峰分布的采样研究 |
| 4.1 引言 |
| 4.2 全局重要性重采样方法 |
| 4.3 数值模拟 |
| 4.4 实例分析 |
| 4.5 本章小结 |
| 第五章 混合吉布斯采样方法 |
| 5.1 引言 |
| 5.2 吉布斯采样方法 |
| 5.3 混合吉布斯采样方法 |
| 5.4 数值模拟 |
| 5.5 实例分析 |
| 5.6 本章小结 |
| 第六章 结束语 |
| 6.1 本文总结 |
| 6.2 不足和展望 |
| A附录: 相关证明 |
| 参考文献 |
| 攻读学位期间已发表和待发表的学术论文 |
| 攻读学位期间参加学术活动 |
| 致谢 |
（9）基于超参数先验分布的高可靠长寿命产品可靠性综合评估研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无故障数据可靠性分析方法研究 |
| 1.2.2 随机过程退化模型研究 |
| 1.3 论文结构内容 |
| 第2章 退化数据的可靠性评估理论基础 |
| 2.1 可靠性工程中常用的分布 |
| 2.2 基于随机过程的可靠性分析方法 |
| 2.2.1 基于Wiener过程的简单退化模型 |
| 2.2.2 基于Inverse Gaussian过程的简单退化模型 |
| 2.3 Copula函数的基本理论 |
| 2.3.1 定义及其性质 |
| 2.3.2 二元Copula函数的Sklar定理 |
| 2.3.3 相关性度量指标 |
| 第3章 无故障数据下Weibull型产品寿命可靠性分析 |
| 3.1 无故障数据统计模型 |
| 3.2 累积失效概率估计方法 |
| 3.2.1 经典估计 |
| 3.2.2 传统贝叶斯估计 |
| 3.2.3 多层贝叶斯估计 |
| 3.3 失效概率先验分布确定 |
| 3.4 综合E-Bayes置信限可靠性分析 |
| 3.5 模拟算例分析 |
| 3.6 本章小结 |
| 第4章 单性能退化随机过程产品可靠性分析 |
| 4.1 基于Wiener过程与EM算法的可靠性评估 |
| 4.1.1 带随机参数的Wiener退化过程模型 |
| 4.1.2 基于EM算法模型参数估计 |
| 4.1.3 产品可靠性分析 |
| 4.2 基于随机参数Inverse Gaussian过程的可靠性评估 |
| 4.2.1 考虑个体差异性的Inverse Gaussian过程模型 |
| 4.2.2 基于贝叶斯理论参数估计 |
| 4.2.3 产品可靠性分析 |
| 4.3 Monte Carlo模拟算例分析 |
| 4.3.1 试验1:Wiener过程可靠性评估 |
| 4.3.2 试验2:Inverse Gaussian过程可靠性评估 |
| 4.4 本章小结 |
| 第5章 多性能退化随机过程产品可靠性分析 |
| 5.1 随机参数多退化数据模型假设及Bayes分析 |
| 5.1.1 Jeffreys无信息先验分布的混合退化模型 |
| 5.2 相关性失效下混合过程的可靠度评估 |
| 5.2.1 基于随机参数可靠度点估计模型 |
| 5.2.2 基于Bootstrap方法求可靠度置信区间 |
| 5.3 Copula相关性统计处理 |
| 5.4 Monte Carlo模拟算例分析 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 论文主要研究成果 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及科研成果 |
（10）GNSS时间序列异常值探测方法研究及其应用（论文提纲范文）
| 信息工程大学学位论文自评表 |
| 学位论文创新点与发表学术论文对应情况表 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 GNSS时间序列异常值探测的研究现状 |
| 1.2.1 直接探测法 |
| 1.2.2 间接探测法 |
| 1.3 本文的主要研究内容和组织结构 |
| 第二章 时间序列异常值探测方法的回顾与评述 |
| 2.1 引言 |
| 2.2 时间序列的模型以及异常值的概念和类型 |
| 2.2.1 时间序列的ARIMA模型 |
| 2.2.2 ARIMA模型的表现形式 |
| 2.2.3 时间序列异常值的概念及类型 |
| 2.3 时间序列异常值探测方法的回顾与评述 |
| 2.3.1 时间序列异常值探测的似然比方法 |
| 2.3.2 时间序列异常值探测的影响分析法 |
| 2.3.3 时间序列异常值探测的Bayes方法 |
| 2.3.4 时间序列异常值探测的其它方法 |
| 2.3.5 时间序列异常值探测方法的评述 |
| 2.4 ARIMA模型的似然函数及其近似形式 |
| 2.4.1 ARIMA模型的似然函数与最大似然估计 |
| 2.4.2 条件似然函数与初始条件的选择 |
| 2.4.3 反向预报技术与非条件似然函数 |
| 2.4.4 精确似然函数的构成 |
| 2.5 本章小结 |
| 第三章 GNSS时间序列异常值探测的Bayes方法 |
| 3.1 引言 |
| 3.2 基于ARIMA模型的异常值探测的Bayes方法 |
| 3.2.1 Bayes统计推断方法概述 |
| 3.2.2 时间序列异常值探测模型 |
| 3.2.3 异常值探测的Bayes方法 |
| 3.3 先验分布的选择 |
| 3.3.1 共轭先验分布 |
| 3.3.2 无信息先验分布与Bayes假设 |
| 3.3.3 Bootstrap方法 |
| 3.3.4 分层Bayes法 |
| 3.4 参数的完全条件分布及异常扰动的估计 |
| 3.4.1 参数的完全条件分布 |
| 3.4.2 异常扰动的Bayes估计 |
| 3.4.3 基于Gibbs抽样的后验概率值的计算 |
| 3.5 算例与分析 |
| 3.5.1 模拟算例及分析 |
| 3.5.2 在GPS星载原子钟差异常值处理中的应用 |
| 3.6 本章小结 |
| 第四章 GNSS时间序列异常值探测的似然比方法 |
| 4.1 引言 |
| 4.2 基于ARIMA模型的异常值探测的似然比方法 |
| 4.2.1 时间序列异常值探测模型 |
| 4.2.2 异常值探测的似然比方法 |
| 4.2.3 异常扰动的最小二乘估计 |
| 4.2.4 模拟算例及分析 |
| 4.3 时间序列异常值探测似然比方法的改进 |
| 4.3.1 成片异常值的成因及影响 |
| 4.3.2 成片异常值的探测及异常扰动的估计 |
| 4.3.3 成片异常值探测的抗掩盖与淹没算法 |
| 4.3.4 模拟算例及分析 |
| 4.4 在BDS卫星钟差数据处理中的应用 |
| 4.4.1 孤立异常值的处理 |
| 4.4.2 成片异常值的处理 |
| 4.5 本章小结 |
| 第五章 GNSS时间序列异常值探测的EM算法 |
| 5.1 引言 |
| 5.2 基于ARIMA模型的异常值探测的EM算法 |
| 5.2.1 时间序列异常值探测模型 |
| 5.2.2 EM算法的思想和基本原理 |
| 5.2.3 异常值探测的EM算法 |
| 5.2.4 算例与分析 |
| 5.3 基于有偏估计的异常值探测EM算法的改进 |
| 5.3.1 有偏估计的形式及其偏参数的确定 |
| 5.3.2 基于有偏估计的异常值探测EM算法的改进 |
| 5.3.3 算例与分析 |
| 5.4 基于正则化方法的异常值探测EM算法的改进 |
| 5.4.1 正则化方法及其正则化参数的确定 |
| 5.4.2 基于正则化方法的异常值探测EM算法的改进 |
| 5.4.3 算例与分析 |
| 5.5 本章小结 |
| 第六章 GNSS时间序列异常值探测的模型选择方法 |
| 6.1 引言 |
| 6.2 基于ARIMA模型的异常值探测的模型选择方法 |
| 6.2.1 异常值探测模型 |
| 6.2.2 异常值探测的模型选择方法 |
| 6.3 后验概率的计算及模型选择方法的实施 |
| 6.3.1 后验概率的计算方法及异常值探测准则 |
| 6.3.2 潜在异常值的确定 |
| 6.3.3 时间序列异常值探测的模型选择方法的实施步骤 |
| 6.4 算例与分析 |
| 6.4.1 模拟算例及分析 |
| 6.4.2 在GNSS卫星钟差数据处理中的应用 |
| 6.5 本章小结 |
| 第七章 时间序列异常值探测方法在BDS三频周跳处理中的应用 |
| 7.1 引言 |
| 7.2 三频周跳探测的方法 |
| 7.2.1 三频基本观测量及其观测方程 |
| 7.2.2 三频组合观测 |
| 7.2.3 三频组合周跳探测分析及其处理策略 |
| 7.3 实验与分析 |
| 7.3.1 孤立周跳的探测与修复 |
| 7.3.2 连续周跳的探测与修复 |
| 7.3.3 随机周跳的探测与修复 |
| 7.3.4 多星多站随机周跳的探测与修复 |
| 7.4 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
四、基于Minnesota共轭先验分布的贝叶斯VAR(p)预测模型（论文参考文献）
- [1]基于概率图模型的个性化推荐算法研究与并行实现[D]. 张宇生. 江南大学, 2021(01)
- [2]连续型损失分布的近似贝叶斯估计及其应用[D]. 张良超. 江西师范大学, 2021(12)
- [3]基于网约车轨迹数据的路网速度估计与预测方法研究[D]. 周天. 北京交通大学, 2021(02)
- [4]非饱和土坡水力参数空间变异性概率反分析研究[D]. 杨昊庆. 上海交通大学, 2020
- [5]非寿险精算中风险保费的经验厘定及其应用研究[D]. 章溢. 江西财经大学, 2020(02)
- [6]基于贝叶斯和极大似然法的原油价格动态预测研究[D]. 冷娜. 云南财经大学, 2020(07)
- [7]考虑符号约束的FAVAR模型贝叶斯估计及应用研究[D]. 刘春. 天津商业大学, 2020(12)
- [8]随机化拟重要性重采样方法[D]. 陶会强. 华中师范大学, 2020(01)
- [9]基于超参数先验分布的高可靠长寿命产品可靠性综合评估研究[D]. 何婺晖. 西南交通大学, 2020(07)
- [10]GNSS时间序列异常值探测方法研究及其应用[D]. 马朝忠. 战略支援部队信息工程大学, 2020(01)