期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
5
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
Linex损失下Lomax分布形状参数的几种Bayes估计
被引量：
6
1
作者
姚惠
吴现荣
《黔南民族师范学院学报》
2012年第6期113-116,共4页
本文研究了在Linex损失函数下,两参数Lomax分布中尺度参数已知时形状参数的Bayes估计、多层Bayes估计及E-Bayes估计,并运用Monte Carlo随机模拟对各个估计值进行比较.
关键词
Lomax分布
LINEX损失
BAYES估计
多层BAYES估计
E—Bayes估计
比较
下载PDF
职称材料
基于BEYES估计的锂离子电池参数融合分类方法
被引量：
1
2
作者
满威
李革臣
《黑龙江工程学院学报》
CAS
2003年第3期44-47,共4页
锂离子电池多以组合形式使用,因此使用时要将其分类,以便把性能一致的电池组合在一起。普遍使用的方法是if-then方法,且基于少数一两个参数。但实际情况是,反映锂离子电池性能的参数远不止一两个参数。文中就该问题提出一种新的分类方...
锂离子电池多以组合形式使用,因此使用时要将其分类,以便把性能一致的电池组合在一起。普遍使用的方法是if-then方法,且基于少数一两个参数。但实际情况是,反映锂离子电池性能的参数远不止一两个参数。文中就该问题提出一种新的分类方法。该方法利用电池在充放电时的记录数据,从中提取能反映电池性能的若干特征参数,将这些特征参数进行融合,然后把融合结果用于分类。
展开更多
关键词
beyes
估计
锂离子电池
数据融合
二次电池
分类方法
正态分布
特征参数
下载PDF
职称材料
平方损失下Lomax分布形状参数的Bayes估计
被引量：
1
3
作者
姚惠
戴勇
《黔南民族师范学院学报》
2011年第3期4-7,共4页
研究了在平方损失下,两参数Lom ax分布中形状参数的Bayes估计、多层Bayes估计及E-Bayes估计.
关键词
Lomax分布
平方损失
BAYES估计
多层E-Bayes估计
E-BAYES估计
下载PDF
职称材料
双参数指数分布无失效数据的参数估计
被引量：
16
4
作者
韩明
《运筹与管理》
CSCD
1998年第2期29-36,共8页
文章对双参数指数分布的无失效数据（ｔｉ，ｎｉ），给出了参数μ和σ的修正极大似然估计和最小二乘估计，并给出了失效概率ｐｉ＝ｐ｛Ｔ＜ｔｉ｝的Ｂａｙｅｓ估计和多层Ｂａｙｅｓ估计，从而可以得到无失效数据可靠度的估计。最后，结...
文章对双参数指数分布的无失效数据（ｔｉ，ｎｉ），给出了参数μ和σ的修正极大似然估计和最小二乘估计，并给出了失效概率ｐｉ＝ｐ｛Ｔ＜ｔｉ｝的Ｂａｙｅｓ估计和多层Ｂａｙｅｓ估计，从而可以得到无失效数据可靠度的估计。最后，结合实际问题进行了计算。
展开更多
关键词
双参数指数分布
无失效数据
参数估计
修正极大似然估计
最小二乘估计
beyes
估计
多层BAYES估计
下载PDF
职称材料
线性模型中参数向量的线性经验Bayes估计
5
作者
田金文
高谦
《应用数学》
CSCD
北大核心
1996年第4期429-432,共4页
本文利用线性经验Ｂａｙｅｓ估计的思想，对线性回归模型中未知参数向量构造了一类线性经验Ｂａｙｅｓ估计，并在一定条件下证明了其具有的ａ．ｏ．收敛速度．
关键词
线性回归模型
参数估计
BAYES估计
线性经验估计
下载PDF
职称材料
题名
Linex损失下Lomax分布形状参数的几种Bayes估计
被引量：
6
1
作者
姚惠
吴现荣
机构
黔南民族师范学院数学系
出处
《黔南民族师范学院学报》
2012年第6期113-116,共4页
文摘
本文研究了在Linex损失函数下,两参数Lomax分布中尺度参数已知时形状参数的Bayes估计、多层Bayes估计及E-Bayes估计,并运用Monte Carlo随机模拟对各个估计值进行比较.
关键词
Lomax分布
LINEX损失
BAYES估计
多层BAYES估计
E—Bayes估计
比较
Keywords
Lomax
distribution
Linex
loss
function
beyes
estimation
Hierarchical
bayes
estimation
E
-
Bayes
estimation
分类号
O174 [理学—数学]
下载PDF
职称材料
题名
基于BEYES估计的锂离子电池参数融合分类方法
被引量：
1
2
作者
满威
李革臣
机构
哈尔滨理工大学计算机与控制学院
出处
《黑龙江工程学院学报》
CAS
2003年第3期44-47,共4页
文摘
锂离子电池多以组合形式使用,因此使用时要将其分类,以便把性能一致的电池组合在一起。普遍使用的方法是if-then方法,且基于少数一两个参数。但实际情况是,反映锂离子电池性能的参数远不止一两个参数。文中就该问题提出一种新的分类方法。该方法利用电池在充放电时的记录数据,从中提取能反映电池性能的若干特征参数,将这些特征参数进行融合,然后把融合结果用于分类。
关键词
beyes
估计
锂离子电池
数据融合
二次电池
分类方法
正态分布
特征参数
Keywords
li
ionic
battery
beyes
estimation
data-fusion
theory
classification
method
分类号
TM911.4 [电气工程—电力电子与电力传动]
下载PDF
职称材料
题名
平方损失下Lomax分布形状参数的Bayes估计
被引量：
1
3
作者
姚惠
戴勇
机构
黔南民族师范学院数学系
出处
《黔南民族师范学院学报》
2011年第3期4-7,共4页
文摘
研究了在平方损失下,两参数Lom ax分布中形状参数的Bayes估计、多层Bayes估计及E-Bayes估计.
关键词
Lomax分布
平方损失
BAYES估计
多层E-Bayes估计
E-BAYES估计
Keywords
Lomax
distribution
square
oss
function
beyes
estimation
Hierarchical
bayes
estimation
E-Bayes
estimation
分类号
O212.8 [理学—概率论与数理统计]
下载PDF
职称材料
题名
双参数指数分布无失效数据的参数估计
被引量：
16
4
作者
韩明
机构
宁波大学应用数学系
出处
《运筹与管理》
CSCD
1998年第2期29-36,共8页
基金
浙江省教委科学基金
宁波大学科研基金
文摘
文章对双参数指数分布的无失效数据（ｔｉ，ｎｉ），给出了参数μ和σ的修正极大似然估计和最小二乘估计，并给出了失效概率ｐｉ＝ｐ｛Ｔ＜ｔｉ｝的Ｂａｙｅｓ估计和多层Ｂａｙｅｓ估计，从而可以得到无失效数据可靠度的估计。最后，结合实际问题进行了计算。
关键词
双参数指数分布
无失效数据
参数估计
修正极大似然估计
最小二乘估计
beyes
估计
多层BAYES估计
Keywords
zerofailure
data
modified
maximum
likelihood
estimation
least
squares
estimation
Bayesian
estimation
hierarchical
Bayesian
estimation
.
分类号
O212 [理学—概率论与数理统计]
下载PDF
职称材料
题名
线性模型中参数向量的线性经验Bayes估计
5
作者
田金文
高谦
机构
江汉石油学院基础部
出处
《应用数学》
CSCD
北大核心
1996年第4期429-432,共4页
文摘
本文利用线性经验Ｂａｙｅｓ估计的思想，对线性回归模型中未知参数向量构造了一类线性经验Ｂａｙｅｓ估计，并在一定条件下证明了其具有的ａ．ｏ．收敛速度．
关键词
线性回归模型
参数估计
BAYES估计
线性经验估计
Keywords
Linear
regression
model
Parametric
estimation
l
Linear
empirical
beyes
estimation
3
Asymptotic
optimal
convergence
分类号
O212.1 [理学—概率论与数理统计]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
Linex损失下Lomax分布形状参数的几种Bayes估计
姚惠
吴现荣
《黔南民族师范学院学报》
2012
6
下载PDF
职称材料
2
基于BEYES估计的锂离子电池参数融合分类方法
满威
李革臣
《黑龙江工程学院学报》
CAS
2003
1
下载PDF
职称材料
3
平方损失下Lomax分布形状参数的Bayes估计
姚惠
戴勇
《黔南民族师范学院学报》
2011
1
下载PDF
职称材料
4
双参数指数分布无失效数据的参数估计
韩明
《运筹与管理》
CSCD
1998
16
下载PDF
职称材料
5
线性模型中参数向量的线性经验Bayes估计
田金文
高谦
《应用数学》
CSCD
北大核心
1996
0
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
