亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于差分進化算法的正態(tài)分布均值變點檢測

        2023-02-01 07:44:24朱偉業(yè)成金良瓊
        科技創(chuàng)新與應用 2023年2期
        關鍵詞:變點后驗樣本量

        朱偉業(yè)成,金良瓊,沈 婷

        (貴州民族大學 數(shù)據(jù)科學與信息工程學院,貴陽 550025)

        變點檢測問題自20世紀50年代被提出以來,一直是統(tǒng)計領域當中的一個熱點問題。變點指的是從某個時刻開始,樣本的分布或者數(shù)字特征發(fā)生了變化。變點檢測就是要檢測數(shù)據(jù)中是否存在變點及對變點的個數(shù)和位置進行估計。隨著社會的發(fā)展,變點檢測理論已廣泛運用在經(jīng)濟、醫(yī)學、氣象和圖像處理等領域。

        在變點檢測問題中,均值變點是一類重要的變點類型,數(shù)據(jù)的均值發(fā)生變化往往引起人們的重視。針對正態(tài)分布序列的均值變點問題,中外許多學者都對此進行過研究。Hawkins[1]應用極大似然法研究正態(tài)序列均值變點問題。Sen等[2]利用貝葉斯方法給出了均值變點的精確和漸進的分布函數(shù)。Kim等[3]采用一種退火隨機逼近蒙特卡洛法(ASAMC)對韓國傳染病數(shù)據(jù)進行均值變點研究。趙江南等[4]基于ASAMC方法對正態(tài)分布序列均值變點問題進行研究并將結果應用于烏魯木齊市的溫度變點檢測問題。胡丹青等[5]在貝葉斯后驗分布的基礎上應用遺傳算法,研究了線性回歸模型中的多結構變點問題。王曉原等[6]運用加速遺傳算法結合均值變點模型對交通流變點問題進行分析研究。郭衛(wèi)娟[7]采用二分法對方差已知且相等的正態(tài)分布均值多變點問題進行研究,給出了變點位置的后驗分布??姲仄涞萚8]基于信息論準則,研究了異方差情況下的多元正態(tài)分布均值變點問題。何朝兵等[9]采用馬爾科夫蒙特卡洛方法研究了左截斷右刪失情況下的對數(shù)正態(tài)分布序列的變點檢測問題。楊豐凱等[10]采用一種非迭代抽樣方法(IBF)與迭代Gibbs抽樣算法做對比,研究了在無信息先驗條件下的正態(tài)分布均值單變點問題。對于方差已知且相等的正態(tài)分布序列均值變點模型,貝葉斯法是一種常用的研究方法,但貝葉斯法存在的不足之處就是后驗分布的計算量較大?;诖?,本文將差分進化算法與貝葉斯法結合,對正態(tài)分布序列均值變點問題進行研究,模擬結果表明該方法能快速有效地計算后驗分布的最大值,并且檢測出均值變點的位置。

        1 正態(tài)分布均值多變點模型

        式中:μ1≠μ2,μ2≠μ3…μk≠μk+1,σ2為已知常數(shù),則稱該模型為正態(tài)分布序列均值變點模型,k為變點個數(shù),r1,r2,r3...rk為變點位置。當k=1時,該模型為單變點模型,k>1時,為多變點模型。本文考慮的問題是在k已知的情況下,如何估計變點位置,即r1,r2,r3...rk的值。

        針對變點問題的研究方法主要有(加權)最小二乘法、極大似然法、非參數(shù)方法和貝葉斯法等。貝葉斯法利用貝葉斯理論,對包括變點位置在內(nèi)的未知參數(shù)選取合適的先驗分布,利用似然函數(shù)推導變點位置的后驗分布,結合樣本數(shù)據(jù)計算分布的最大值,對變點的位置進行估計。運用貝葉斯法,如何選取參數(shù)的先驗分布是關鍵,本文選擇的是無信息先驗分布。

        2 貝葉斯估計

        2.1 變點位置的無信息先驗分布

        正態(tài)分布序列均值變點模型中的未知參數(shù)為變點位置r1,r2,r3…rk和分布的均值μ1,μ2…μk+1。無信息先驗分布可以理解為對參數(shù)的任何可能值既無偏愛,又同等無知[11]。在1,2…n-1上每個變點序列出現(xiàn)的概率都是相等的,因此本文選取r1,r2,r3…rk的聯(lián)合先驗分布為

        2.2 正態(tài)均值的無信息先驗分布[11]

        正態(tài)分布中的均值μ為位置參數(shù),總體X的密度函數(shù)具有形式p(x-μ)。為求均值μ的無信息先驗分布,對X做平移變換,得到Y=X+c,對參數(shù)μ也做同樣的變換,得到η=μ+c。設分布Y有密度函數(shù)p(y-η),此時,μ和η應有相同的先驗分布。即

        π(·)和π*(·)分別為μ和η的無信息先驗分布。此外,由變換η=μ+c可得到η的無信息先驗分布為

        比較式(3)和式(4)可得π(η)=π(η-c),由于η與c的任意性,可得均值μ的無信息先驗分布為

        這是正態(tài)均值μ的一個廣義先驗分布。

        2.3 變點位置的后驗分布

        設參數(shù)θ=(r1,r2,…rk,μ1,μ2…μk+1),假設變點位置與均值參數(shù)互相獨立,即

        利用貝葉斯公式

        可得θ的后驗分布為

        對式(8)中的μ1,μ2…μk+1積分,可得r1,r2,…rk的后 驗分布為

        為計算方便取對數(shù),得

        在多變點問題中,變點個數(shù)越多,變點位置的參數(shù)空間越復雜,計算后驗分布最大值的計算量也變得越大。為快速找到該后驗分布的最大值,本文引用差分進化算法進行分析。接下來介紹差分進化算法的原理和具體步驟。

        3 差分進化算法介紹

        差分進化算法(DE)是一種高效的全局優(yōu)化算法。該算法模擬生物進化的過程,首先隨機生成初代種群,然后通過變異、交叉操作生成子代種群,根據(jù)“優(yōu)勝劣汰”原則,淘汰適應度低的種群,保留適應度高的種群。經(jīng)過不斷迭代進化,最終收斂到最優(yōu)結果。差分進化算法具備結構簡單、收斂快和自適應能力強等優(yōu)點,被廣泛運用在各個領域。具體算法流程如下[12-13]。

        3.1 初始化種群

        首先確定各個參數(shù),包括迭代次數(shù)G、種群大小NP、種群維數(shù)D、變異算子F、交叉算子CR,以及搜索空間的上下限xmax和xmin。然后隨機生成NP個長度為D的解向量xi,j,i=1,2…NP,j=1,2…D,xmin≤xi,j≤xmax。種群大小NP一般選取[50,200]。

        3.2 變異操作

        式中:i,k1,k2,k3為兩兩互不相等的隨機整數(shù)表示第k個種群的第g代。在變異操作中,變異算子F取值范圍為[0,2],F(xiàn)過小可能陷入局部最優(yōu),F(xiàn)過大則不容易收斂,一般取[0.4,1]居多。另外,如果變異以后的值νi,j超出了邊界,可以隨機在范圍內(nèi)再選擇1個數(shù),或者直接取邊界值。

        3.3 交叉操作

        式中:rand(0,1)是1個0到1的隨機數(shù),變異算子CR用來控制子代向量值是變異向量值還是原向量值,jrand是1個0到D的隨機整數(shù),其保證了子代向量至少有1個元素與原向量不同。

        3.4 選擇操作

        選擇操作的原理是計算子代向量和原向量各自的適應度,如果子代向量的適應度更高,則將子代向量保留,替代原向量進入下一代循環(huán),否則保留原向量。具體表達式如下

        式中:f(·)為向量對應的適應度函數(shù)。

        3.5 退出循環(huán)

        當最后的解向量滿足所需要的精度,或循環(huán)次數(shù)達到預設值G后,退出循環(huán),否則重復步驟3.2到步驟3.4。

        4 數(shù)值模擬

        在變點個數(shù)已知的情況下,對正態(tài)分布序列均值變點的位置進行檢測??紤]變點個數(shù)為2的情況,模型如下

        根據(jù)上述模型,分別生成樣本量為300、400、500、600的數(shù)據(jù)作為檢測的樣本。對應的變點位置分別為100和200、150和300、200和350、200和400。采用2種差分進化算法進行估計:差分進化算法和自適應差分進化算法。兩者的不同之處在于自適應差分進化算法將變異算子F設為1個隨迭代次數(shù)變化的值,在迭代初期,F(xiàn)較大,能保證種群多樣性;迭代后期,F(xiàn)較小,能提高搜索效率。算法的參數(shù)選擇:種群數(shù)NP=50,最大迭代次數(shù)Gm=20,變異算子F0=0.5,交叉算子CR=0.4,自適應變異算子由式(15)產(chǎn)生

        式中:G表示當前迭代的次數(shù)。使用Matlab軟件進行數(shù)值模擬1 000次,結果見表1、表2。

        表1 不同樣本量下差分進化算法的r1、r2識別結果

        表2 不同樣本量下自適應差分進化算法的r1、r2識別結果

        從表1和表2可以看出,在樣本量分別為300、400、500、600的情況下,迭代20次,得到的變點位置r1、r2的估計值與真實值的相對誤差均小于0.05%,標準差均小于1.3。說明2種方法均能夠較好地識別出變點位置r1、r2。對比2種方法估計結果的相對誤差與標準差,除了在樣本量為400的情況下,差分進化算法對于r1的估計相對誤差為0.007%,大于自適應差分進化算法對應的相對誤差0.005%以外,其余情況差分進化算法的估計結果的相對誤差與標準差都小于自適應差分進化算法,整體估計效果更好。

        在樣本量為300、400、500、600的情況下,統(tǒng)計2種方法正確識別變點位置r1、r2及正負1個或2個單位偏差的次數(shù),對比評估2種方法的識別率,結果見表3、表4。

        表3 不同樣本量下基本差分進化算法的r1、r2識別率

        表4 不同樣本量下自適應差分進化算法的r1、r2識別率

        由表3和表4可以看出,除了在樣本量n=300的情況下,差分進化算法對第二個變點正負1個單位偏差的識別率為96.7%,低于自適應差分進化算法的97%。其余情況下,差分進化算法的識別率均大于等于自適應差分進化算法,進一步說明前者的識別效果更好。從表中還看出r2的識別率大于r1的識別率,這是因為r2前后的均值跳躍度要大于r2前后的均值跳躍度,2組數(shù)據(jù)的差異更明顯,因此更容易識別出來,符合常理。

        為更加直觀地觀察估計效果,以樣本量為600的實驗結果為例,繪制r1、r2的散點圖如圖1—圖4所示。

        圖1 差分進化中r1的散點圖

        圖2 自適應差分進化中r1的散點圖

        圖3 差分進化中r2的散點圖

        圖4 自適應差分進化中r2的散點圖

        由圖1—圖4可以明顯看出,2種方法對r1、r2的識別結果集中在各自對應的真值附近。其中,對r2的識別結果比r1更為集中,效果更好。

        為了進一步對比2種方法的優(yōu)劣,繪制迭代圖如圖5、圖6所示。

        圖5 差分進化算法迭代圖

        圖6 自適應差分進化算法迭代圖

        從圖5和圖6可以看出,差分進化算法在迭代到第16代的時候就已經(jīng)搜索到了最優(yōu)解,但自適應差分進化算法到第20代的時候才搜索到最優(yōu)解,這說明差分進化算法能夠更快地收斂到函數(shù)的最大值。為探究迭代次數(shù)對2種方法估計效果的影響。下面將最大迭代次數(shù)Gm增加到100次,以樣本量為600的變點模型為例,進行數(shù)值模擬,結果見表5、圖7、圖8。

        表5 最大迭代次數(shù)Gm=100下的2種算法的識別結果

        圖7 Gm=100時差分進化算法的收斂圖

        圖8 Gm=100時自適應差分進化算法的收斂圖

        由表5、圖7、圖8可知,在迭代次數(shù)足夠大的情況下,2種算法對變點位置的檢測效果相同。

        由此可知:在迭代次數(shù)較小時,差分進化算法的檢測效果要優(yōu)于自適應差分進化算法。當?shù)螖?shù)達到一定的程度時,2個方法的檢測效果一致。

        為了觀察變點檢測前后序列的均值特征,繪制變點檢測前后的均值特征圖如圖9、圖10所示。

        圖9 變點檢測前的均值特征

        圖10 變點檢測后的均值特征

        圖9的虛線表示無變點模型的數(shù)據(jù)均值特征,圖10的虛線表示在變點模型下的數(shù)據(jù)均值特征??梢钥闯鲎凕c模型將數(shù)據(jù)分成3段,每段分別刻畫數(shù)據(jù)的均值。更符合數(shù)據(jù)的真實情況。這說明了本文引用的差分進化算法能夠檢測出變點的位置從而更好地解釋正態(tài)分布均值的特征。

        5 結束語

        本文在貝葉斯理論的基礎上,對已知變點個數(shù)條件下的正態(tài)分布序列均值變點模型進行研究。首先選擇無信息先驗作為變點位置和正態(tài)均值的先驗分布,利用貝葉斯公式得到變點位置的后驗分布。為快速計算后驗分布的最大值,引入2種差分進化算法結合后驗分布進行優(yōu)化并進行數(shù)值模擬。模擬結果表明:2種算法均能夠有效識別出變點的位置。其中,差分進化算法的效果要優(yōu)于自適應差分進化算法,因此在選擇方法時,應選擇差分進化算法估計變點。綜上,使用差分進化算法結合貝葉斯法能夠更有效地檢測變點個數(shù)已知下的正態(tài)分布序列均值變點模型中的變點位置。

        猜你喜歡
        變點后驗樣本量
        醫(yī)學研究中樣本量的選擇
        回歸模型參數(shù)的變點檢測方法研究
        正態(tài)分布序列均值變點檢測的貝葉斯方法
        基于對偶理論的橢圓變分不等式的后驗誤差分析(英)
        基于二元分割的多變點估計
        河南科學(2020年4期)2020-06-03 07:18:22
        獨立二項分布序列變點的識別方法
        貝葉斯統(tǒng)計中單參數(shù)后驗分布的精確計算方法
        航空裝備測試性試驗樣本量確定方法
        測控技術(2018年4期)2018-11-25 09:46:52
        Sample Size Calculations for Comparing Groups with Binary Outcomes
        一種基于最大后驗框架的聚類分析多基線干涉SAR高度重建算法
        雷達學報(2017年6期)2017-03-26 07:53:04
        国产精品成年人毛片毛片| 国产欧美一区二区精品性色| 精品无码久久久九九九AV| 久久国产精品国产精品久久| 中文字幕午夜精品久久久| 欧美人牲交| 成年女人永久免费看片| 国产 在线播放无码不卡| 亚洲色图偷拍自拍在线| 男女做爰高清免费视频网站| 韩日美无码精品无码| 国产激情视频在线| 蜜桃av中文字幕在线观看| 大学生粉嫩无套流白浆| 77777亚洲午夜久久多人| 亚洲国产成人aⅴ毛片大全| 亚洲一品道一区二区三区| 国产一区二区三区在线电影| 国产精品一区二区久久| 日韩精品人妻中文字幕有码| 少妇被黑人嗷嗷大叫视频| 色综合色狠狠天天综合色| 亚洲专区欧美| 亚洲女同恋中文一区二区| 国产人妖乱国产精品人妖| 丰满人妻av无码一区二区三区| 亚洲嫩草影院久久精品| 国产韩国一区二区三区| 熟妇人妻无码中文字幕老熟妇| 少妇人妻在线视频| 视频精品熟女一区二区三区| 麻豆视频在线播放观看| 欧美人与物videos另类| 精品国产亚欧无码久久久| 久亚洲一线产区二线产区三线麻豆| 在线观看免费无码专区| 特级毛片a级毛片在线播放www| 亚洲av高清资源在线观看三区| 一二三区无线乱码中文在线| 激情综合一区二区三区| 亚洲中文一本无码AV在线无码 |