导读:本文包含了极大模型论文开题报告文献综述及选题提纲参考文献，主要关键词:似然退化,边界估计,偏正态混合模型,惩罚极大似然估计
极大模型论文文献综述
金立斌,许王莉,朱利平,朱力行[1]（2019）在《偏正态混合模型的惩罚极大似然估计》一文中研究指出在分析具有异质性和非对称性数据时,偏正态混合模型提供一种比经典的Gauss混合模型更为灵活的建模方式.然而,由于无界的似然函数和发散的形状参数,该模型的极大似然估计并未被正确定义,进一步导致不理想的推断过程.为同时解决这两个问题,本文基于惩罚似然提出一种新的估计方案,并证明在混合分布的类别个数大于或等于真实的类别个数时,相应的惩罚极大似然估计是强相合的.同时,本文也提出相应的惩罚EM (expectation maximization)算法来计算惩罚估计.最后,通过模拟分析与现有方法比较研究估计方法在有限样本下的表现,并采用两个实例说明方法的有效性.(本文来源于《中国科学:数学》期刊2019年09期）
程永林,李德玉,王素格[2]（2019）在《基于极大相容块的邻域粗糙集模型》一文中研究指出对于数值型数据而言,邻域粗糙集模型是处理不确定信息的有效工具.现有的邻域粗糙集模型仅关注那些邻域中所有样本都属于同一个决策类的一致性情形,无法利用邻域中与多个决策类相交的边界样本所蕴含的信息.针对邻域粗糙集的这一局限性,将相容关系的极大相容块与邻域粗糙集相结合,选取样本邻域内的最大等价块作为最小的信息粒,通过重新定义邻域粗糙集的上下近似和属性重要度等概念,建立了一种基于极大相容块的邻域粗糙集模型.该模型可在更小的信息粒度下将原来边界样本转化成一致性样本来增大正域.运用前向贪婪策略构建了相应的属性约简算法.在七个公开的UCI数据集上的对比实验验证了提出模型的有效性.(本文来源于《南京大学学报(自然科学)》期刊2019年04期）
田玥[3]（2019）在《基于统计回归模型的极大似然估计》一文中研究指出回归分析是多元统计分析方法中应用最广泛的一种。它是处理多个变量间相互依赖关系的一种数理统计方法。回归分析离不开统计回归模型,本文基于统计回归模型,重点研究一元线性回归模型,研究各变量间的关系,通过最小二乘估计引出模型的参数估计,进而重点研究极大似然估计的原理及实现过程。最后对本文的研究进行总结及对未来研究的展望。(本文来源于《通讯世界》期刊2019年03期）
曹颖赛,刘思峰,方志耕,曾友春,王欢[4]（2019）在《基于案例学习的多层次聚类指标客观权重极大熵挖掘模型》一文中研究指出本文针对待聚类对象的多层次聚类指标权重配置问题进行了研究。首先运用向量空间模型将聚类对象表征为包含多个层次聚类属性指标的特征空间向量并基于余弦距离测算底层属性指标的相似程度,然后根据聚类指标的层次结构以及相应各层指标的权重系数综合测算对象之间的相似程度,最后根据历史聚类案例中相同类别对象之间相似度较大,不同类别对象之间相似度较小等特点,构建了基于案例学习的多层次聚类指标客观权重极大熵挖掘模型。通过案例分析以及与其他方法的比较研究,证明了本模型的可行性与有效性,为多层次聚类指标客观赋权问题提供了一种新的研究思路。(本文来源于《中国管理科学》期刊2019年02期）
刘诚,孙志鹏,季振义,王刚[5]（2018）在《不同耕作方式下气候条件对小麦条锈病的影响——基于面板数据极大似然分位回归模型的分析》一文中研究指出【目的】明确不同耕作方式和不同生育阶段气候条件对小麦条锈病的影响。【方法】根据成都平原2007—2016年3种耕作方式(周年旋耕无秸秆还田、麦免稻旋和麦稻双免)下小麦条锈病发病率的面板数据,利用面板数据固定效应模型和极大似然分位回归模型,分析在不同耕作方式下不同生育阶段气候条件对条锈病的影响关系。【结果】固定效应结果表明:周年旋耕无秸秆还田对条锈病发病率的正面影响略低于麦免稻旋和麦稻双免。分位回归动态表明:在幼苗期,日平均温度越高,雨日数、雾日数越多,越容易促使病菌孢子的萌发;在分蘖拔节期,日平均气温和平均湿度的正面影响程度是不同的,随着温度和湿度的不断增大,对条锈病扩散的促进作用逐渐增强;在孕穗抽穗期,日平均气温越高,越有利于条锈病垂直扩展,越是湿润的环境越有利于条锈病发病,造成反复侵染。【结论】3种耕作方式对小麦条锈病的影响不显着,日平均气温和平均湿度对小麦条锈病的影响非常显着。(本文来源于《四川农业大学学报》期刊2018年05期）
靳海娟[6]（2018）在《不成比例交易费的极大极小模型》一文中研究指出文章主要考虑了带不成比例交易费在不允许卖空和借贷情况下的投资组合问题,在期望收益率不精确知道的情况下,结合不确定性决策的方法,建立出以极大极小准则为条件的投资组合选择模型;并对该模型的解进行分析讨论,最后给出了模型求解的方法。(本文来源于《长治学院学报》期刊2018年05期）
张宏博,陈伟炯,闫明[7]（2018）在《多式联运路径优化模型中的贝叶斯极大熵权重自学习方法研究》一文中研究指出在多式联运路径优化模型中,权重赋值是复杂的多目标决策问题。提出一种主客观相结合的综合权重确定方法,先进行主观赋值,再结合贝叶斯网络和极大熵准则进行自学习。通过贝叶斯网络将各目标属性及影响因素相关联,再结合极大熵准则对权重进行自学习来输出各目标权重。通过该方法得到的权重结合了主观判定并通过自学习来减少人为因素偏差,提高了权重的客观准确性,为多式联运中的多目标决策提供技术支持。(本文来源于《计算机应用与软件》期刊2018年10期）
王龙兵,杜江,张忠占[8]（2018）在《函数型Probit模型的sieve极大似然估计》一文中研究指出研究函数型Probit模型的sieve极大似然估计的渐近性质.在一定的条件下,证明了估计的强相合性和渐近正态性以及该估计的非参数部分达到最优收敛速度.最后给出了一个模拟研究,表明sieve极大似然估计有较好的有限样本性质.(本文来源于《数学的实践与认识》期刊2018年18期）
王继霞,张亚萌[9]（2018）在《半参数跳-扩散模型的近似极大似然估计——基于转移密度的闭式展开方法》一文中研究指出首先,引入半参数跳-扩散模型,用闭式展开的方法得到转移概率密度的近似表达式,证明了转移密度的展开式收敛到真实的转移密度.然后,利用近似极大似然估计的方法对模型中的参数进行估计.针对时变参数和非时变参数,分两步进行估计:第1步,采用局部常数拟合对时变波动率参数进行近似,利用核函数加权的方法得到了时变参数的局部近似极大似然估计量;第2步,用传统的极大似然估计方法,得到了非时变参数的近似极大似然估计.最后,证明了所得估计量的渐近性质.(本文来源于《河南师范大学学报(自然科学版)》期刊2018年04期）
吴思鑫,冯牧,张虎,陈敏[10]（2018）在《基于高频数据的非平稳GARCH(1,1)模型的拟极大指数似然估计》一文中研究指出波动率的统计分析一直是金融市场量化分析的重要问题.收益率替代模型能将日内的收益率高频数据嵌入到日间的收益和波动率的模型中,因此可以通过构造合适的收益率替代来改进收益和波动率模型中的参数估计的精度.提高估计精度的直接作用就是改进VaR的预报精度,提高风险管理水平.本文针对非平稳GARCH(1,1)模型,构建新的收益率替代模型—基于高频数据的非平稳GARCH模型.不同于传统的Gauss拟极大似然估计(QMLE),本文对收益率替代模型提出拟极大指数似然估计(QMELE).在残差的二阶矩有限的情形下,建立QMELE的强一致性和渐近正态性.数值模拟的结果显示,基于高频数据的估计QMELE具有更小的均方误差.同时通过实际的金融数据说明,包含更多信息的日内高频数据下的收益率替代模型的估计所对应的VaR估计是有效的.(本文来源于《中国科学:数学》期刊2018年03期）
极大模型论文开题报告
（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：
对于数值型数据而言,邻域粗糙集模型是处理不确定信息的有效工具.现有的邻域粗糙集模型仅关注那些邻域中所有样本都属于同一个决策类的一致性情形,无法利用邻域中与多个决策类相交的边界样本所蕴含的信息.针对邻域粗糙集的这一局限性,将相容关系的极大相容块与邻域粗糙集相结合,选取样本邻域内的最大等价块作为最小的信息粒,通过重新定义邻域粗糙集的上下近似和属性重要度等概念,建立了一种基于极大相容块的邻域粗糙集模型.该模型可在更小的信息粒度下将原来边界样本转化成一致性样本来增大正域.运用前向贪婪策略构建了相应的属性约简算法.在七个公开的UCI数据集上的对比实验验证了提出模型的有效性.
（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。
极大模型论文参考文献
[1].金立斌,许王莉,朱利平,朱力行.偏正态混合模型的惩罚极大似然估计[J].中国科学:数学.2019
[2].程永林,李德玉,王素格.基于极大相容块的邻域粗糙集模型[J].南京大学学报(自然科学).2019
[3].田玥.基于统计回归模型的极大似然估计[J].通讯世界.2019
[4].曹颖赛,刘思峰,方志耕,曾友春,王欢.基于案例学习的多层次聚类指标客观权重极大熵挖掘模型[J].中国管理科学.2019
[5].刘诚,孙志鹏,季振义,王刚.不同耕作方式下气候条件对小麦条锈病的影响——基于面板数据极大似然分位回归模型的分析[J].四川农业大学学报.2018
[6].靳海娟.不成比例交易费的极大极小模型[J].长治学院学报.2018
[7].张宏博,陈伟炯,闫明.多式联运路径优化模型中的贝叶斯极大熵权重自学习方法研究[J].计算机应用与软件.2018
[8].王龙兵,杜江,张忠占.函数型Probit模型的sieve极大似然估计[J].数学的实践与认识.2018
[9].王继霞,张亚萌.半参数跳-扩散模型的近似极大似然估计——基于转移密度的闭式展开方法[J].河南师范大学学报(自然科学版).2018
[10].吴思鑫,冯牧,张虎,陈敏.基于高频数据的非平稳GARCH(1,1)模型的拟极大指数似然估计[J].中国科学:数学.2018