1) Poisson Maximum Entropy distribution
泊松最大熵分布
1.
The Poisson Maximum Entropy distribution is proposed in The paper to predict return values of extreme storm surge elevation by both the Annual Maximum Method and the Peak Over Threshold Method.
以胶州湾30 a风暴潮过程的极值增水值为统计序列,按照年、季、月等不同时段,分别抽样极值增水样本,提出泊松最大熵分布,采用年极值法和过阈法对增水重现值进行长期预测,统计分析结果对于胶州湾防潮减灾有参考作用,其随机分析方法对于遭受风暴潮影响的海岸区域有借鉴意义。
2) maximum entropy distribution
最大熵分布
1.
A new method, the maximum entropy distribution method, is proposed to fit the significant wave height and peak period distributions.
简要介绍了波候的概念 ,简述 Weibull分布及对数 -正态分布的拟合方法 ,提出最大熵分布拟合有效波高、峰周期分布的新方法 ;选取半封闭海湾墨西哥湾内水深不同、地理位置不同的六个观测站一年的连续资料 ,以上述三种拟合方法对其有效波高、峰周期概率分布进行拟合 ,并与观测直方图进行比较检验 ,结果表明 ,在墨西哥海湾内 ,最大熵分布优于对数 -正态分布 ,对数 -正态分布优于 Weibull分布。
2.
This paper builds the maximum entropy distribution of the portfolio return to give a new idea in portfolio.
建立了组合收益率的最大熵分布,旨在为更好的投资提供新思路。
3.
In this paper,the maximum entropy principle is used to derive the maximum entropy distribution of wave height,and the effects of state parameter on the wave height distribution and wave height entropy are then studies.
利用最大熵原理从理论上推导出波高的最大熵分布,在此基础上研究了状态参量对波高分布和波高熵的影响。
3) poisson distribution
泊松分布
1.
Hypothesis test in the judgement on a binomial distribution and a Poisson distribution;
二项分布与泊松分布判别的假设检验
2.
Unbiased Estimation of Parameter in Poisson Distribution
泊松分布中参数的无偏估计
3.
Estimator of the parameter of Poisson distribution from Bayes frame
贝叶斯框架下泊松分布参数的估计
4) Poission distribution
泊松分布
1.
Through observational statistical analysis to a dam site , probability model of geometrical parameters of discontinuities are developed, and Poission distribution and Weibull distribution are found good to some parameters.
通过对某坝址的实测数据统计分析,建立岩体结构面几何参数概率模型,在参数概率模型的建立过程中,发现有些参数服从泊松分布和威布尔分布,从而克服了传统4种模型的单一性,最后利用蒙特—卡洛模拟原理生成岩体结构面网络。
2.
The accuracy of Poission distribution the approximate representation of binomial distribution B(n,p) was discussed.
讨论了用泊松分布和正态分布近似表示二项分布的精确程度问题,对于泊松分布,指出了它对二项分布B(n,p)的概率值的近似精确与否基本上只依赖于参数p而不依赖于n,并说明了经验条件“np≤5”的不确切。
5) possion distribution
泊松分布
1.
According to the random access mode of Ethernet and the burst characteristic of arriving frame, that the arriving process of Ethernet frames obeys Possion distribution is proved, the system mode of Ethernet queue is presented, the performance of Ethernet system based on CSMA/CD is simulated.
根据以太网络的随机访问方式和到达帧的突发特性 ,证明了以太网络的帧到达过程服从泊松分布 ,提出了以太网络系统的排队模型 ,并对基于 CSMA/ CD协议的以太网络系统性能进行了仿真 ,研究表明这种仿真技术在评价网络性能时是一种非常有效和简单的方
2.
In the non\|life insurance, the distribution of the number of claim can be assumed as the Possion distribution P(λ).
在非寿险精算中 ,索赔次数的分布一般假设为泊松分布 P(λ) 。
6) prior distributions/maximal entropy distribution
先验分布/最大熵分布
补充资料：最大熵法
对信号的功率谱密度估计的一种方法。1967年由J.P.伯格所提出。其原理是取一组时间序列，使其自相关函数与一组已知数据的自相关函数相同，同时使已知自相关函数以外的部分的随机性最强，以所取时间序列的谱作为已知数据的谱估值。它等效于根据使随机过程的熵为最大的原则,利用N个已知的自相关函数值来外推其他未知的自相关函数值所得到的功率谱。最大熵法功率谱估值是一种可获得高分辨率的非线性谱估值方法，特别适用于数据长度较短的情况。
最大熵法谱估值对未知数据的假定 一个平稳的随机序列，可以用周期图法对其功率谱进行估值。这种估值方法隐含着假定未知数据是已知数据的周期性重复。现有的线性谱估计方法是假定未知数据的自相关函数值为零，这种人为假定带来的误差较大。最大熵法是利用已知的自相关函数值来外推未知的自相关函数值，去除了对未知数据的人为假定，从而使谱估计的结果更为合理。
熵在信息论中是信息的度量，事件越不确定，其信息量越大，熵也越大。对于上述问题来说，对随机过程的未知的自相关函数值，除了从已知的自相关函数值得到有关它的信息以外，没有其他的先验知识。因而，在外推时，不希望加以其他任何新的限制，亦即使之"最不确定"。换言之，就是使随机过程的熵最大。
最大熵法功率谱估值表达式 最大熵法功率谱估值的表达式为
式中PM为M阶预测误差滤波器的输出功率;B为随机过程的带宽;为采样周期;ɑm(m＝1,2,...,M)由下式决定：
式中rNx(M)为已知的随机过程的自相关函数值。
从功率谱估值的表达式可以看出，最大熵法与自回归信号模型分析法以及线性预测误差滤波器是等价的，只是从不同的观点出发得到了相同的结果。
由已知信号计算功率谱估值的递推算法 应用上述的谱估值表达式进行计算时，需要知道有限个自相关函数值。但是，实际的情况往往是只知道有限长的时间信号序列，而不知道其自相关函数值。为了解决这个问题，J.P.伯格提出了一种直接由已知的时间信号序列计算功率谱估值的递推算法，使最大熵法得到广泛的应用。递推算法如下：
递推算法只需要知道有限长的时间信号序列，不须计算其自相关函数值,所得的解保证是稳定的。但是,其解只是次优解。
应用递推算法往往使谱估值出现"谱线分裂"与"频率偏移"等问题，因而,又有各种改进的算法。其中,较著名的有傅格算法和马普尔算法，但是所需的计算量较大。另外，在有噪声的情况下，如何选定阶数仍有待进一步探讨。
最大熵法谱估值对未知数据的假定 一个平稳的随机序列，可以用周期图法对其功率谱进行估值。这种估值方法隐含着假定未知数据是已知数据的周期性重复。现有的线性谱估计方法是假定未知数据的自相关函数值为零，这种人为假定带来的误差较大。最大熵法是利用已知的自相关函数值来外推未知的自相关函数值，去除了对未知数据的人为假定，从而使谱估计的结果更为合理。
熵在信息论中是信息的度量，事件越不确定，其信息量越大，熵也越大。对于上述问题来说，对随机过程的未知的自相关函数值，除了从已知的自相关函数值得到有关它的信息以外，没有其他的先验知识。因而，在外推时，不希望加以其他任何新的限制，亦即使之"最不确定"。换言之，就是使随机过程的熵最大。
最大熵法功率谱估值表达式 最大熵法功率谱估值的表达式为
式中PM为M阶预测误差滤波器的输出功率;B为随机过程的带宽;为采样周期;ɑm(m＝1,2,...,M)由下式决定：
式中rNx(M)为已知的随机过程的自相关函数值。
从功率谱估值的表达式可以看出，最大熵法与自回归信号模型分析法以及线性预测误差滤波器是等价的，只是从不同的观点出发得到了相同的结果。
由已知信号计算功率谱估值的递推算法 应用上述的谱估值表达式进行计算时，需要知道有限个自相关函数值。但是，实际的情况往往是只知道有限长的时间信号序列，而不知道其自相关函数值。为了解决这个问题，J.P.伯格提出了一种直接由已知的时间信号序列计算功率谱估值的递推算法，使最大熵法得到广泛的应用。递推算法如下：
递推算法只需要知道有限长的时间信号序列，不须计算其自相关函数值,所得的解保证是稳定的。但是,其解只是次优解。
应用递推算法往往使谱估值出现"谱线分裂"与"频率偏移"等问题，因而,又有各种改进的算法。其中,较著名的有傅格算法和马普尔算法，但是所需的计算量较大。另外，在有噪声的情况下，如何选定阶数仍有待进一步探讨。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条