删失数据下部分线性测量误差模型的统计推断

本文重点研究了当响应变量为随机右删失数据时部分线性测量误差模型的统计推断,在假定线性测量误差的前提下,引入工具变量后通过最小二乘法来估计参数,用局部多项式估计来近似拟合非参数部分.通过数值模拟,比较了使用工具变量和其他方法对参数估计结果的影响,以及与忽略测量误差时非参数函数图像的对比.最后通过实例数据应用,展示了此方法的实际样本表现.     

基于Gram-Schmidt变换的主基底分析两阶段变量筛选方法

在主成分综合评价过程中,往往需要选取合适的初始变量来进行主成分分析,本文改进了基于Gram-Schmidt变换的主基底分析两阶段变量筛选方法.首先,基于最大方差法的主基底变量筛选方法,选取1个极大线性无关组;其次,为了使筛选的初始变量与剩下的变量具有较强的相关性,给出了改进的主基底变量筛选方法,从中选取少数的初始变量;...     

基于代理模型的汽车乘员约束系统仿真设计

为在设计过程中有效减少轿车乘员约束系统的设计参数,并快速优化轿车乘员约束系统的安全保护性能,采用一阶线性响应表面模型和D-最优试验设计方法进行约束系统设计变量的筛选,对筛选后的变量应用Kriging代理模型和均匀试验设计方法进行设计参数的仿真优化,将优化结果与直接使用碰撞仿真软件MADYMO计算得到的结果进行对比.研究表明,一阶线性响应表面模型和D-最优试验设计方法能有效筛选出重要的并对约束系统性能具有决定作用的设计变量,而Kriging代理模型和均匀试验设计方法能在选定的设计变量的基础上,快速取得较好的优化设计结果.     

基于互信息的辅助变量筛选及在火电厂NOx软测量模型中的应用

辅助变量的选取是软测量建模中重要的一步;但由于待选变量数目多、与主导变量非线性相关、信息冗余大等因素导致辅助变量的选择不够合理。在信息熵和互信息理论基础上,改进IBF和MIFS变量筛选算法,综合考虑了辅助变量和主导变量之间的最大相关性,以及辅助变量之间的最小冗余性。作为算例使用改进后的算法,筛选了某燃煤机组运行历史数据,建立了省煤器出口NOx浓度的GA-BP软测量模型。实验证明这种基于互信息的变量筛选方法可以有效提高模型的输出精度和泛化能力。     

协变量含测量误差的变系数偏线性模型的变量选择问题研究

研究了当参数部分和非参数部分的协变量均具有测量误差且两部分测量误差相关时,变系数偏线性模型的参数估计和变量选择问题。在误差校正和profile最小二乘估计方法的基础上,提出了基于smoothly clipped absolute deviation (SCAD)惩罚的变量选择方法,且估计具有渐进正态性和先知性。数值模拟研究进一步说明了所提出的变量选择方法的有限样本性质。     

响应变量缺失时偏线性测量误差模型的变量选择

考虑当响应变量缺失且协变量包含测量误差时偏线性模型的变量选择问题,提出了基于SCAD(smoothly clipped absolute deviation)惩罚最小二乘和STEE(smooth-threshold estimating equations)的两种变量选择方法.利用半参数回归替代估计来处理缺失的响应变量.通过选择合适的调整参数,且在一定的正则条件下,可以证明这两种变量选择方法具有渐进正态性和先知性.数值模拟研究进一步给出了估计的有限样本性质.     

基于split-and-conquer和非参数向前选择法的变量选择

变量选择是统计学界研究的重要课题之一.当处理高维数据时,一些常用的变量选择方法大多比较耗时,因此提出了一种既能筛选出高维数据中的变量又能节省时间的方法:基于split-and-conquer的非参数向前选择法.首先使用split-and-conquer方法将数据进行拆分,然后使用B样条函数逼近的非参数向前选择法进行研究.实验结果表明:基于split-and-conquer的非参数向前选择法可以较好地将变量选择出来,并且节省了大量时间.     

潜半参数回归模型的变量选择

作者提出了潜半参数回归模型及其估计方法.该方法应用双重判罚,使得在估计非参数的同时可以对参数部分进行参数估计和变量选择.在分析过程中作者还得到了潜变量的估计值.     

超高维异方差数据下基于边际经验似然的分位数特征筛选

针对超高维异方差数据,基于边际经验似然提出一种分位数特征筛选方法,该方法不依赖于模型假定,且计算简单快捷,无须进行复杂的参数估计和迭代计算。同时,沿袭经验似然方法的优点,该方法对分布的假设较宽松。在一定的正则条件下,理论上证明了所提方法满足确定筛选性质。此外,为了筛选出对响应变量有影响的所有协变量,将上述方法进行推广,得到一种基于边际经验似然的分布函数特征筛选方法。最后,通过数值模拟和实例分析验证了所提出的两种方法具有良好的有限样本性质。     

多变量Hammerstein-Wiener模型的参数辨识

为了突破现存Hammerstein-Wiener模型参数辨识方法中假设输出非线性块可逆的限定条件,基于可分非线性最小二乘算法,提出由多个单变量Hammerstein子模型和一个多变量输出非线性块组成的多变量Hammerstein-Wiener模型的参数辨识方法.首先,以输出误差最小为准则使用Levenberg-Marquardt法辨识出输出非线性块和Hammerstein子模型的两个参数集.其次,对Hammerstein子模型使用基于张量积的奇异值分解,辨识出输入非线性块与中间线性块的参数.再次,理论分析了所提辨识方法的辨识收敛性.最后,通过仿真验证此法的有效性.