论文部分内容阅读
混合线性模型能够模型化许多复杂多变的随机现象,在生物医学工程、医技术工程学、金融技术工程以及经济技术工程等领域有比较强的应用研究场景。随机逼近算法是一种用于解决在有随机误差影响的情况下,只有观测值已知时对参数进行迭代估计问题的有效算法,被大量地应用在系统控制和最优化方向。 本文利用随机逼近算法逐个估计混合线性模型的方差分量,在避免矩阵运算的复杂性的同时提高参数估计的效率。随机逼近算法能充分利用已有的观测数据和迭代估计值,用这个优势对传统的EM算法和牛顿算法进行改进。改进的EM算法(SAEM算法)的迭代精度和迭代效率要更好,改进的牛顿算法(N+P算法)填补了原算法只能估计单参数的缺点。我们利用随机逼近算法、SAEM算法和N+P算法对混合线性模型的方差分量逐个估计,在算法的迭代过程中取权重{wn}序列的值,其中迭代的样本值为随机抽取得的相应观测值,然后以某一个方差分量作为分析案例,模拟出这三个迭代算法对混合线性模型方差分量参数估计的详细过程。 模拟的实验数据表明,与传统的非迭代的估计方法相比较,当模型维数较大时,随机逼近算法在算法的计算复杂度上有比较明显的优势,SAEM算法的收敛效果也确实比一般的随机逼近算法和普通的EM算法要好,精度更准确;除此之外,N+P算法对多参数的估计也呈现出比较好的效果。