线性回归模型的稳健估计及异方差检验

将Huber函数引入线性回归模型的对数似然函数中,利用Fisher Scoring迭代法得到参数的稳健估计(M估计);在M估计的基础上,对模型进行异方差检验,建立Score检验统计量;最后用一组实际数据说明本文方法的有效性.     

函数系数自回归模型推广形式的Back-Fitting估计

文章针对时间序列中函数系数自回归模型给出其推广形式,借助向后拟合的思想介绍推广形式中函数系数部分和参数部分的估计,该方法可以得到模型中的常值系数估计量的精确表达式;并通过一个数值模拟表明所提出的估计方法具有可行性和稳定性.     

对于目标跟踪系统的未知观测噪声的信息融合多步估计算法

对于一个目标跟踪系统,当用多个传感器对其进行跟踪时,针对传感器观测过程中存在的未知观测噪声,该文提出一种信息融合多步估计算法.该算法第1步将状态方程转化为自回归滑动平均模型(ARMA模型)形式,第2步对ARMA模型用递推增广最小二乘法估计出未知参数的估值,第3步用相关函数法得到对未知观测噪声的无偏估计.最后用数学方法证明了估值相对于真实值在数学意义上的收敛性,并用Matlab对一个例子做了仿真.     

动态数据系统(DDS)建模方法的改进

本文概述了原DDS建模方法的缺点,叙述了改进的途径,推导了改进的算法,给出了改进部分的详细框图。首先用长自回归拟合数据直到残差为白噪声,如AR模型阶不高,则认定为AR模型。否则,利用数据和残差,线性估计ARMA模型参数。增阶和降阶时,Yule—Wolker方程系数阵和模型参数都可递推求得。初估ARMA模型后,用非线性最小二乘法来优化参数。通过二个实例计算表明,经改进的方法可以节省66％的机时,效果是明显的。     

ARMA模型参数估计的GW-LS两段算法

提出了新的GW-LS两段算法,很好地改善了自回归滑动平均(ARMA)模型参数估计的性能。首先摈弃传统的拟合到AR模型的思考方法,而是基于ARMA模型的相关函数用Gevers-Wouters(GW)算法对ARMA模型拟合到高阶滑动平均(MA)模型;然后在拟合的MA模型参数基础上,用最小二乘(LS)算法求解一个不相容的线性方程组,从而估计出ARMA模型参数。最终的仿真实例说明了本算法较高精度、较快速度的收敛特性。     

具有自相关误差变系数回归模型的局部线性估计

变系数回归模型误差具有自回归结构时,基于重新改写具有自回归误差的变系数回归模型为独立误差的变系数回归模型,文章提出其局部线性估计方法.模拟结果显示该估计方法是有效的.     

基于贝叶斯估计的空间函数型自回归模型及其应用

目的 为了研究函数型数据中响应变量的空间相关性,根据现有研究方法,对具有空间依赖性的函数型数据进行研究,并提出其模型的贝叶斯估计方法。方法 以典型空间自回归模型为基础,根据函数响应变量的空间依赖性,假设响应变量和解释变量间存在内生关系,生成空间函数型自回归模型,通过主成分分析将模型中函数型部分变为离散型,然后在给定先验情况下计算模型中参数的完全条件后验分布,使用贝叶斯MCMC方法进行估计。结果 使用联合Gibbs采样和随机游动的Metropolis-Hastings算法对模型中参数进行估计,通过模拟研究发现：不同参数下模型的函数型系数以及其他参数的估计偏差和均方误差较小,由此验证了贝叶斯估计方法的有效性,同时将空间函数型模型用于重庆市主城区新房平均价格的实证分析,结果表明所提出模型的贝叶斯估计方法是有效的。结论 使用贝叶斯估计方法对模型中参数进行估计,在不同情况下函数型解释变量的估计效果一直都比较好,并且随着样本量的增大,其估计效果也越来越好,可以认为使用贝叶斯估计方法对空间函数型自回归模型进行估计是有效且可行的,同时通过实证分析说明重庆市主城区新房平均价格具有空间自相关性,而且会受到...     

半变系数伽马脆弱模型惩罚部分似然估计

为了更好地分析对数风险函数与协变量之间复杂的非线性关系,提出一种半变系数伽马脆弱模型并给出其估计方法．首先,应用B-样条将半变系数伽马脆弱模型近似转化为线性伽马脆弱模型,然后运用惩罚部分似然法估计转化后模型的线性参数,随后采用近似轮廓似然法并运用黄金搜索算法估计随机效应的参数;在通过迭代获得转化后的线性系数以及随机效应参数的估计以后,运用B-样条得到变系数函数的估计．经蒙特卡罗模拟研究发现,该方法可以给出协变量的线性参数以及变系数函数较为精准、稳定的估计,是分析协变量对于风险率影响的有效方法．最后,应用所提出的方法分析了NCCTG肺癌数据．     

ARMA模型参数估计的格林函数法

论文根据一个适当高阶的AR模型可与一个ARMA模型等价的原理,推导了以格林函数为中间变量,建立ARMA模型的线性方法。用此方法对太阳黑子数据进行计算,所得的模型参数,与用非线性最小二乘方法的结果近似,且较用逆函数算出的参数精度高。实践证明这一方法在一定条件下足可行的。运用这一方法建立自回归滑动平均模型,可避免采用非线性最小二乘方法,只需进行很少几次的线性最小二乘便可建模,较传统方法,可大大减少运算工作盛,并便于在微机上推广应用。     

差分侧信道密码分析中泄露模型的线性回归分析

从统计学线性回归模型的角度研究密码设备差分侧信道分析攻击中泄露模型的建模及估计,在不需对设备信息泄露有提前了解的情况下,得出线性回归泄露模型,克服了传统泄露模型的局限性.首先,分析能耗泄露的随机模型从而构建线性回归模型,然后用最小二乘估计和最小一乘估计两种方法求解线性回归模型的系数,最后基于八位控制器PayTV-AES智能卡平台实现能耗泄露的建模及系数估计.通过对两种求解方法结果的比较,提出最小二乘估计比最小一乘估计更适合用于泄露模型的线性回归分析;通过对被估模型系数曲线的分析,提出线性回归分析可以用于测量数据的预处理,以提高泄露模型建模效率.     

基于小波方法的空间风速场模拟

为克服随时间变化模型基于适应过滤器和窗口估计方法中窗口长度不宜过大,产生的短时时间序列模拟准确性不够高的缺点,应用小波分解方法,结合线性滤波器法的向量过程自回归(AR)模型,给出了模拟空间脉动风场的一种新方法.该方法对于AR模型自回归系数在空间上进行小波扩展,采用最小二乘法来估计AR模型的自回归系数,并给出了该方法模拟空间风速场的实现步骤.将该方法应用于一空间结构的风速场模拟,并给出了模拟结果与目标值的对比,以及与向量过程AR模型模拟结果的对比,结果证实该方法可以减少风速时程分析在频域上的信息损失,对短时时间序列模拟具有较高的准确性,并具有较高的计算效率.     

基于深度学习的OFDM信道估计

针对多径正交频分复用(orthogonal frequency division multiplexing, OFDM)信道环境下信道频域选择性衰落导致下行链路信道估计性能受限的问题,提出一种基于深度学习的信道估计(deep learning-based channel estimation, DL-CE)方法。采用自回归过程对信道建模,利用深度学习设计信道估计网络追踪信道响应及其频域相关系数。通过迭代训练,基于深度学习的信道估计网络能够学习到自回归系数的最优估计,同时利用先验信道信息估计信道频域响应和频域相关系数。与传统方法相比,所提信道估计方法性能提升明显。     

基于经验似然的自回归条件久期模型的统计推断

利用经验似然方法对自回归条件久期(ACD)模型参数进行统计检验, 给出了自回归条件久期模型参数的经验似然比统计量, 并证明了该统计量渐近服从χ²-分布. 数值模拟结果表明, 经验似然方法优于拟似然方法.     

基于残差的非线性自回归模型的拟合优度检验

时间序列模型中,考虑误差分布的拟合优度检验是很重要的．Lee和Na（2002）考虑了在线性自回归模型下,基于残差的Bickel—Rosenblatt检验问题．他们指出了在原假设条件下,检验统计量的极限分布与利用独立同分布观测值的经典Bickel—Rosenblatt检验相同．本文主要讨论无限阶的非线性自回归模型的基于残差的Bickel—Rosenblatt检验统计量的渐近性质．我们证明了在自回归函数未知的情况下,当满足一定条件时,检验统计量的渐近性质与基于真实误差的统计量的性质相同．     

含自回归误差项的函数型线性模型的参数估计

针对模型误差为独立同分布的假设并不总是合适的,讨论含有自回归误差项的函数型线性回归模型。考虑到函数型变量和斜率函数无限维的特点,首先进行函数型主成分分析,以函数型变量的协方差函数作谱分解得到的特征函数为基函数,分别以该组基对函数型变量和斜率函数进行逼近,将无限维的参数转化为有限维基函数系数;然后构造AR(1)误差下函数型线性回归模型的参数估计,在一定条件下获得了与独立同分布场合下类似的结果;此外在均方误差的意义下,与忽略AR(1)误差项所得估计量相比,取得更小的均方误差,推广了现有文献中的一些结论和性质。     

自回归模型的多新息投影辨识方法

通过扩展标量新息为向量新息(即多新息),推导出自回归模型的多新息投影辨识算法。仿真结果说明提出的多新息投影算法优于投影算法。     

基于GMDH的宏观经济短期预测模型

传统的宏观经济短期预测研究通常基于定量或定性预测模型,而GMDH 算法兼具定性定量的特点,建立了基于GMDH 自回归模型的混合预测模型数学模型来进行宏观经济短期预测,应用相关的统计数据做实证分析,将所得结果与传统GMDH模型、二次自回归模型进行了比较.结果表明,本文提出的混合预测模型具有良好的预测精度,是一种有效的宏观经济短期预测手段.     

图模型方法及ARMA模型检验

应用图模型方法来研究时间序列中的因果关系,并以ARMA(1,1)时间序列为例作了说明.将ARMA模型表示成混合图,证明了ARMA模型的系数就是在移去了时间序列中其他成员的线性效应后的偏相关系数.这样就可运用通常的图模型推断算法来做参数估计和预测.与传统的对ARMA模型的检验法相比较,该方法既直观又易于计算.     

一种使用调控器针对数据通路的综合功能的时间扩展模型生成方法

一些超大规模集成电路(VLSI)近来通过行为描述已在高层次被设计.行为合成可以将行为描述变换成由控制器和数据通路组成的寄存器传输层电路.数据通路的控制信号线输入序列和状态信号线输出序列从控制器提取.作者提出一种生成综合功能时间扩展模型的方法,其中提取的信息作为约束被加入.在常规的贯序测试生成方法中使用时间模型只有结构信息,因为对于实际的贯序电路的搜索空间相当庞大,所以在合理时间内很难达到高排错效率.在使用来自功能验证模块的功能时间扩展模型的贯序测试生成方法中,因为所有的功能行为不可能全被覆盖,所以很难提高排错效率.由于作者提出的方法可以覆盖所有的功能行为,所以与常规的方法相比可以实现在合理时间内的高排错效率.所提出的测试生成方法被用于除法器电路.实验数据显示了在16 s内排错覆盖率达到了100%.