论文部分内容阅读
在地质学、生物学和医学等许多学科研究领域存在着大量的空间点过程数据。研究这类数据点的疏密情况、方向等等是非常有意义的。其中点的疏密情况用强度,即单位区域内点的个数来描述。根据对空间点过程的强度的假设不同,可以划分成很多不同类型的模型,而Log Gaussian Cox过程模型则是其中一个常用的空间点过程模型,它假设强度取对数后是一个高斯过程。然而大多数实际数据的强度取对数后是非高斯过程,那么Log Gaussian Cox过程模型便不再适用于这类情况。本文主要通过将强度取对数后的形式假设为一个混合高斯过程来改进Log Gaussian Cox过程模型,改进后的模型称为Log Gaussian Mixture Cox过程模型。由于Log Gaussian Mixture Cox过程模型的强度取对数后是混合高斯过程,所以存在混合高斯过程成员间相关和不相关这两种情况,文中分别从这两种情况来研究了模型的性质,并经过推导,证明Log Gaussian Mixture Cox过程模型的第n个次序乘积密度是由它的强度和成对相关函数来决定的。并且在混合高斯过程成员之间不相关的情况下,Log Gaussian Mixture Cox过程具有遍历性。由于原来的最小对比度估计(Minimum Contrast Estimation)和极大似然估计方法不适用于改进后的模型,尤其是在混合高斯过程成员之间不相关的情况下,最小对比度估计方法不能完全地估计模型的全部参数,因此文中分别推导了用这两种方法估计改进后模型参数的计算公式,而对于混合高斯过程成员之间不相关的情况,则结合两个估计方法来估计模型的参数。另外,通过AIC准则(Akaike information criterion)来确定混合高斯过程的成员个数。并给出了F、G、L函数这三个统计推断函数在Log Gaussian Mixture Cox过程模型中的表达式。最后,通过瑞典松树数据集、日本黑松树数据集、四川省三级城镇数据集以及细胞数据集这四个实例来比较模型改进前后的拟合效果。其中,用在混合高斯过程成员之间不相关情况下的改进后的模型来拟合瑞典松树和日本黑松树数据集,结合最小对比度估计和极大似然估计来估计模型参数;对于四川省三级城镇以及细胞数据集,则用在混合高斯过程成员之间相关情况下的改进后的模型来拟合,在四川省三级城镇数据集中,采用极大似然估计方法来估计模型参数,在细胞数据集中则用最小对比度估计方法估计模型参数。四个例子均通过AIC准则来作模型选择,并采用F、G、L函数来分析模型拟合数据效果。结果显示,Log Gaussian Mixture Cox过程模型在拟合这四个数据集上,表现更好。这表明了改进后的模型在具有一定实用性,并且比Log Gaussian Cox过程模型更加灵活。