熵损失函数

摘要： 损失函数和先验分布的选取在Bayes估计问题中起重要作用。已有众多学者在不同损失函数,不同先验分布下研究了对数伽玛分布尺度参数的Bayes估计问题。本文基于Quasi先验分布分别在Linex损失与熵损失函数下,研究了对数伽玛分布尺度参数的Bayes估计。并给出了其在熵损失函数下的E-Bayes估计和多层Bayes估计。最后通过数值模拟方法对各种估计结果的优良性进行比较分析,结果表明,先验分布为Quasi分布时,尺度参数θ的Linex损失函数下的Bayes估计较熵损失函数下的稳健性更好,更接近真值。

摘要： 在定数截尾情形下,讨论了Poisson-Lomax分布的极大似然估计,给出了极大似然估计的表示式;其次取广义的均匀分布作为先验分布,在熵损失和对称熵损失下给出Poisson-Lomax分布参数的Bayes估计;最后通过数值模拟,对不同情形下Bayes估计和极大似然估计的效果进行比较.

摘要： 基于记录值样本讨论了Topp-Leone分布参数的Bayes统计推断问题.给出了参数的最大似然估计,在熵损失函数下导出了参数的Bayes估计和经验Bayes估计.最后在不同给定条件下讨论了一类拟线性估计的可容许性和不可容许性问题.

摘要： 本文在不同损失函数下研究Topp-Leone分布参数的Minimax估计问题.首先给出了参数的最大似然估计,然后在对数误差平方损失函数和熵损失函数下导出了参数的Bayes估计和经验Bayes估计,最后应用Lehmann定理得到了参数的Minimax估计.

摘要： Financial competitivenessis an important part of the core financial competence ofelectronic message company.The evaluation index system of the financial competitiveness ofelectronic message company was established in this paper.By the aid of symbolic computation software,Mathematical and MatLab,and borrowing the idea from grey theory and entropy method,an evaluation model for the financial competitiveness of electronic message companywas proposed based on the grey entropy with absolute correlation degree.The model can effectively evaluatethe financial competitiveness of electronic message company.%寿命绩效指标为衡量产品质量的一项重要指标,其统计推断研究具有重要的意义.针对产品寿命服从指数分布情形的寿命绩效指标的统计推断问题,在熵损失函数下导出了寿命绩效指标的Bayes估计,并在此基础上提出了一套新的检验程序用于产品质量.最后通过实际应用例子说明了方法的有效性和可行性.

摘要： 当几何分布可靠度的先验分布为幂分布时，推算出了 Linex 损失函数下其可靠度的 Bayes 估计，用反证法证明了该估计的唯一性，推算论证了该估计风险有限和可容许性。根据 E-Bayes 估计的定义推算出了 Linex 损失函数下几何分布可靠度的 EB 估计。结合实际数据比较了熵损失函数和 Linex 损失函数下几何分布可靠度 E-Bayes估计值的稳健性和精度并得出有效结论。%This paper finds when the prior distribution of the geometric distribution reliability is the power distribu-tion,the estimation of the reliability of Bayes is reckoned under the Linex loss function.The uniqueness of the esti-mation is proved by the method of reduction to absurdity,which demonstrates the limitation and the admissibility of the risk.According to the definition of the E-Bayes estimation,the EB estimation of the geometric distribution relia-bility is reckoned under the Linex loss function.Combined with the actual data,the paper compares the precision of the EB estimation of the geometric distribution reliability under entropy loss function and Linex loss function,and the effective conclusions are made.

摘要： 由于参数的真值是未知的,导致Bayes统计推断中的损失函数和风险函数也是未知的.为此本研究以逆指数模型为例探讨损失函数和风险函数的Bayes估计问题.在共轭先验分布下研究了未知参数的损失函数和风险函数的Bayes估计及其保守性质,并给出相应的Bayes估计的合理性.

摘要： 针对贝叶斯分析中平方误差损失存在的“高估和低估同等重要”问题，提出了一种基于熵损失函数的贝叶斯可靠性分析方法。利用该方法，分别在无信息先验和共轭先验分布下，推导出逆威布尔部件参数、可靠度函数及失效率的 Bayes 估计，并证明了形如[cT（x）＋d]－1的一类估计具有容许性。为了比较不同估计结果的忧劣，文中还给出了逆威布尔部件参数的一致最小方差无偏估计（UMVUE）。最后运用 Monte Carlo 方法对各种估计的均方误差进行了模拟比较。结果表明，当样本量比较小时，Bayes 估计的均方误差小于 UMVUE 的均方误差。随着样本量的增加，各个估计的均方误差都减小，但在共轭先验下 Bayes 估计的均方误差最小。%The mean square error loss in the Bayes estimation has the problem of " equal importance of overestima⁃tion and underestimation" . Hence we propose the Bayes reliability analysis method based on the entropy loss func⁃tion. With this method, we derive respectively the parameters, reliability function and failure rate function of the in⁃verse Weibull component under non⁃informative priori distribution and conjugate priori distribution. We also prove that the estimation of the class [cT(x)+ d] -1 has admissibility. In order to compare the advantages and disadvanta⁃ges of different estimation results, we derive the uniform minimum variance unbiased estimate (UMVUE) of the pa⁃rameters of the inverse Weibull component. Finally, we use the Monte Carlo method to carry out the calculation of the mean square errors of various estimations to analyze the influence of different sample sizes on the accuracy of different estimation results and to compare the effects of the Bayes estimation under non⁃informative priori distribu⁃tion and conjunctional prior distribution respectively. The calculation results, given in Table 1, and their analysis show preliminarily that: (1) when the sample size is relatively small, the mean square error of the Bayes estimation is smaller than that of UMVUE; (2) the mean square error of each estimation decreases with increasing sample size; (3) under conjugate priori distribution, the Bayes estimation has minimum mean square error.

摘要： 本文研究了信度模型问题.利用熵损失函数,获得了风险保费的信度估计和经验Bayes信度估计.所获结果是对现有风险保费信度估计和经验Bayes信度估计的一个补充.

摘要： 在熵损失函数下,研究了几何分布变异系数的贝叶斯估计问题,得到了变异系数的贝叶斯估计的一般形式和精确形式,并证明了它的可容许性.同时给出了变异系数的多层贝叶斯估计以及置信水平为1-α的贝叶斯置信区间.

摘要： 本文对给定容量为n的一个Poisson样本X1,X2,…,Xn,在熵损失函数下,研究了Karl-Pearson变异系数的估计,讨论了形如[cT(X)+d]-1/2的一类估计的可容许性和不可容许性,最后得到此类估计为可容许估计的充要条件.

摘要： 本发明公开了一种基于分布熵增益损失函数的图像检索算法，所述算法使用预训练网络进行初始化，根据图像检索任务的需求训练网络，在训练网络时使用自行设计的分布熵增益损失函数，提升了图像检索的准确率；分布熵增益损失函数结合了对比损失函数和相对熵，增强了训练网络时图像相似性度量的准确性；对比损失函数通过欧氏距离计算特征之间的相似度，相对熵可以用于衡量特征向量之间的分布差异，将相对熵补充到对比损失函数中改善了特征向量相似性度量；使用分布熵增益损失函数训练网络模型，通过调整网络参数得到更适用于图像检索任务的网络模型，训练后的网络模型在图像检索实验中取得了更优的检索效果。

摘要： 用于评估损失函数或所述损失函数的梯度的系统和方法。在一个示例实施例中，一种计算机实施的方法包括：将权重矩阵分割成多个块。所述方法包括：为所述多个块中的每一个标识分数大于第一阈值的第一标签集合。所述方法包括：基于所述第一标签集合为所述多个块中的每一个构建评分向量的稀疏近似。所述方法包括：为所述评分向量的每个稀疏近似确定校正值。所述方法包括：基于所述评分向量的每个稀疏近似和与所述评分向量的所述稀疏近似相关联的所述校正值，来确定与所述评分函数相关联的损失或损失的梯度的近似。

摘要： 本发明公开了一种基于分布熵增益损失函数的图像检索算法，所述算法使用预训练网络进行初始化，根据图像检索任务的需求训练网络，在训练网络时使用自行设计的分布熵增益损失函数，提升了图像检索的准确率；分布熵增益损失函数结合了对比损失函数和相对熵，增强了训练网络时图像相似性度量的准确性；对比损失函数通过欧氏距离计算特征之间的相似度，相对熵可以用于衡量特征向量之间的分布差异，将相对熵补充到对比损失函数中改善了特征向量相似性度量；使用分布熵增益损失函数训练网络模型，通过调整网络参数得到更适用于图像检索任务的网络模型，训练后的网络模型在图像检索实验中取得了更优的检索效果。

摘要： 本发明公开了一种基于集聚交叉损失函数的序列识别方法，包括以下步骤：下载自然场景文本识别数据作为测试集，并使用开源代码合成的自然场景文本的数据作为训练数据；采集自然场景下的图片，并对所述图片进行等比例放缩操作；统计所述图片中的标签出现的字符类别、所述字符类别出现的次数；通过监督网络预测所述自然场景文本数据的字符类别、所述字符类别出现次数，将自然场景文本数据与所述标签的差别的部分进行训练；把步骤A中的自然场景文本识别数据、步骤C中的标签数据输入到预先设计好的网络中进行训练；输入测试数据到已训练完成的网络中，最后得到图片的识别结果；本发明对弯曲排列文本具有很高的鲁棒性和有效性。

摘要： 本发明公开了一种基于多质量损失函数综合的用户暂降经济损失评估方法，包含：统计电力系统中的用户敏感设备组成，计算任意一节点的综合电压耐受曲线；根据历史数据计算每次电压暂降事件下，该节点的设备故障率、能量指标和电压暂降严重性并计算其带来的质量损失；根据上述计算结果，基于熵权法对所述设备故障率、电压暂降幅值、能量指标和电压暂降严重性这四部分质量损失进行赋权；根据历史记录中电压暂降产生的经济损失，进行质量损失函数的参数估计；根据该次电压暂降的暂降幅值和持续时间，进行该用户的电压暂降经济损失评估，得到此次电压暂降经济损失。本发明更具有客观性以及评估结果更精确的优点。

摘要： 本发明公开了一种交叉熵损失函数安全计算方法及系统，其中，上述方法包括：根据需要进行计算的输入概率分布序列生成第一概率输入序列和第二概率输入序列；根据需要进行计算的待输入标签序列生成第一标签输入序列和第二标签输入序列。分别使用第一计算终端针对第一概率输入序列和第一标签输入序列进行计算，使用第二计算终端针对第二概率输入序列和第二标签输入序列进行计算，计算过程中引入随机序列组对各数据进行保护，进一步防止数据泄露或隐私泄露，最后将获得的第一目标结果和第二目标结果相加则可以消除随机序列组的影响，获得实际的计算结果。计算过程中的数据是经过随机序列组保护后的数据，有利于提高交叉熵损失函数计算的安全性。

摘要： 本发明提出了一种基于改进的交叉熵损失函数的遥感图像目标检测方法，用于解决现有技术中存在的目标检测精度较低的技术问题，实现步骤为：1)获取训练样本集和测试样本集；2)构建基于改进的交叉熵损失函数的遥感图像目标检测模型；3)对基于改进的交叉熵损失函数的遥感图像目标检测模型进行迭代训练；4)获取遥感图像目标的检测结果。本发明通过调制因子控制分类准确率低的类别中的样本对损失函数的贡献程度，使训练更加关注这些样本，有效提升了部分分类准确率较低类别的检测精度，从而提升了整体的检测精度。

摘要： 本发明公开了一种基于交叉熵损失函数的细粒度布料图像检索方法，涉及布料检索领域，针对现有技术中存在计算复杂度高且识别准确率无法保证的问题，现提出如下方案，包括以下步骤：S1、图像预处理；S2、设计特征表征器；S3、计算模型损失；S4、梯度传播训练获取模型；S5、取出特征提取网络，作为特征表征器；S6、提取待检索的纺织品面料图的特征以及面料库的特征并存储为特征数据库；S7、待检索特征与布料库特征向量计算欧式距离均值，对距离进行排序，获得检索结果。本发明对图像特征提取进行有效表示，具有尺度不变性、旋转不变性和平移不变性，相比于传统手动特征检索方法提高了准确率和效率。

摘要： 本发明公开了一种基于相对熵损失函数卷积神经网络的脑龄预测方法，包括如下步骤：步骤1.利用采集被试的功能型磁共振影像数据形成原始样本集；步骤2.原始样本集中功能型磁共振影像数据预处理形成三维的T1图像数据并形成样本集；步骤3.将样本集划分为训练样本集和测试样本集；步骤4.利用训练样本集训练3DCNN形成脑龄预测模型，所述3DNN在训练过程中采用分类网络的相对熵损失函数反向更新3DCNN的网络参数；步骤5.将测试集输入脑龄预测模型得到预测的脑龄；用相对熵损失函数反向更新3DCNN的网络参数，同时采用中心化功能型磁共振影像数据中剔除周围无用信息，提高了脑龄预测模型的鲁棒性及预测精度。

摘要： 本发明公开了一种基于熵损失函数的离散化可微分神经网络搜索方法，该方法根据系统熵最小化驱动系统元素(权重)稀疏性和离散化的特性，将新的损失项基于熵函数，设计成适用于不同目标网络结构配置的约束损失项来缩小离散化误差。本发明公开的基于熵损失函数的离散化可微分神经网络搜索方法，一次搜索得到离散化友好的目标网络结构，极大降低了现有搜索算法存在的离散化精度损失；可以通过修改基于熵函数的结构约束损失函数的参数来适用于搜索任意配置的网络结构。