基于混合效应模型的纵向数据建模方法研究

为研究医学纵向数据建模方法,结合纵向数据的特点及统计分析理论、提出基于混合效应模型的动态建模方法.针对多维医学纵向数据的非平衡性,当结果变量个数不多时,采用共同混合效应模型进行分析.当结果变量较多时,协方差矩阵的估计会变得困难,这时采用随机结伴方法对所得到的若干个二元模型分别拟合,通过求均值得到固定效应及协方差矩阵的估计,实验证明这种动态建模分析方法是有效可行的.     

基于纵向数据的超高维特征筛选

实际问题研究中常常面临复杂数据,其中超高维数据和纵向数据常见于医学、经济学等大数据领域.基于超高维纵向数据的结构特征,推广确定独立筛选SIS(Sure Independence Screening)方法,构造了基于纵向数据组内相关结构的边际特征筛选方法,对超高维问题进行筛选降维,并从理论上证明了所提出降维筛选过程满足确定性筛选性质,从数值模拟上研究了其有限样本性质.     

纵向数据分析中使用滑动平均Cholesky分解对回归均值和协方差矩阵进行同时半参数建模(英文)

近年来,对纵向数据分析中回归均值和协方差矩阵同时进行建模研究得到越来越多的关注.为满足协方差矩阵的正定性约束,文献中常考虑对其逆矩阵进行某种分解.本文使用一种Cholesky分解方法对协方差矩阵本身进行分解,得到的参数没有取值限制且有着明确的统计意义.具体地,分解后的参数可以视为滑动平均序列的系数和对数更新方差,且在整个实轴上取值无限制.考虑到模型的稳健性和推断的有效性,提出了一种对回归均值和协方差矩阵同时进行半参数建模的方法,并利用广义估计方程和B样条给出了半参数模型的估计方法,得到了参数部分估计的渐近正态性以及非参数部分估计的最优收敛速度.最后通过模拟和实例分析对所提方法进行了数值研究.     

纵向数据下广义经验似然方法的有效稳健估计

基于广义经验似然估计方法,提出了一种有效且稳健的估计,实现对纵向数据在线性模型下均值和协方差矩阵的联合估计。利用Cholysky分解将模型重参数化,利用拉格朗日乘子法求出估计值,再还原出均值和协方差矩阵的估计。在模拟研究中将所提方法同文献中其他稳健估计进行比较,结果显示所提方法效率更高。最后将所提方法用于分析CD4细胞数据,交叉验证结果显示所提方法更加可靠。     

条件区间分位数超高维特征筛选研究

超高维数据下的特征筛选是模型降维建模的重要环节.基于条件分位数的改进超高维特征筛选方法在给定分位点有扰动情况下可能会导致筛选变量不稳定,针对该问题,引入全局条件分位数的思想,提出基于条件区间分位数的超高维特征筛选方法,并通过理论及数值模拟证明其特征筛选的确定性独立筛选性质和所提方法的有限样本性质.     

纵向数据下精度矩阵的替代的修正Cholesky分解（英文）

纵向数据下相关系数矩阵可能具有科学意义。然而,在精度矩阵具有典型结构时,很少有文献同时关注对模型误识别稳健的相关系数矩阵估计和对于数据中离群值的稳健性。本文中我们为纵向数据的精度矩阵提出了一种替代的修正Cholesky分解(alternative modified Cholesky decomposition, AMCD),从而得到了关于新息方差模型误识别稳健的相关系数矩阵估计。我们建立了基于多元正态分布和AMCD的联合均值-协方差模型,发展了拟Fisher得分算法,证明了其极大似然估计的相合性和渐近正态性。进一步,我们建立了基于多元Laplace分布和AMCD的双稳健联合建模方法,为其极大似然估计发展了拟Newton算法。模拟研究和实际数据分析验证了所提AMCD方法的有效性。     

基于EM算法的随机动态系统建模

提出一种在噪声统计信息未知的情况下,对随机动态系统模型进行建模的方法.采用状态空间模型描述随机动态系统,模型的参数通过EM算法进行估计,通过改进该算法中的Kalman滤波,实现了对噪声协方差矩阵的估计.基于改进的Kalman滤波,EM算法可以用于噪声统计信息未知的动态系统建模.     

未知噪声协方差的自适应容积卡尔曼滤波

针对噪声协方差不确定情况下容积卡尔曼滤波解决非线性目标跟踪中存在的问题,提出了一种优化的自适应容积卡尔曼滤波.首先根据新息序列和残差序列导出的线性矩阵方程得到噪声的协方差,基于新息序列与残差序列的相关性,推导出一种新的过程噪声协方差Q估计方法;然后采用残差序列对测量噪声协方差进行估计,利用加权因子将当前的噪声协方差矩阵与估计值组合成为新的测量噪声协方差阵R,有效避免了不准确状态估计的局限性.仿真结果表明:在时变噪声协方差的条件下,所提出的自适应容积卡尔曼算法的跟踪精度明显提高.     

基于双向二维直接线性判别分析的人脸表情识别

提出基于双向二维直接线性判别分析的人脸表情识别新算法.新算法从水平和垂直两个方向对图像矩阵执行直接线性判别分析,从二维图像中提取图像协方差矩阵,降低特征维数,减少表示图像时所需要的系数及其存储空间.另外,不使用奇异值分解方法,便可得到图像协方差矩阵的特征向量,能够精确地估计图像协方差矩阵.在JAFFE人脸表情数据库中的试验结果表明,所提算法具有较高的识别率.     

基于L_1范数最小化的逆协方差矩阵估计

由于在高维空间中,基于固定维数的经典方法和结果不再适用,样本协方差矩阵不可逆,估计逆协方差矩阵时存在不稳定、计算成本高和非精确等问题,提出了一种L1范数最小化方法来有效估计高维逆协方差矩阵即精确矩阵.当总体分布满足指数类型条件或者多项式类型条件时,所提估计方法在各种范数下的收敛速率优于其他现存的方法.经分析验证,所提方法为凸优化问题,可采用交替方向乘子算法来解决.之后通过R语言在模拟数据和实际数据下进行仿真分析,并与Glasso方法对比逆协方差的估计性能和图恢复性能,结果表明所提估计方法准确率高、计算成本低.最后,将所提估计方法用来分析白血病数据集,并运用聚类分析对白血病人进行分类.     

高频数据下基于LSTM的协方差矩阵预测模型

协方差矩阵的建模与预测,对于金融风险管理、投资组合管理等至关重要。 针对时间序列模型 对高维变量预测精度较低的问题,利用长短记忆神经网络模型(LSTM),提出了基于深度学习的高频数据已 实现协方差矩阵预测模型。 利用金融高频数据得到已实现协方差矩阵,对其进行 DRD 分解,针对相关系数 矩阵 R 进行向量化处理,利用向量异质自回归模型(HAR)预测已实现相关系数矩阵 R;针对已实现波动率 矩阵 D,利用半协方差(semi covariance)思想,结合 LSTM 模型,得到已实现波动率矩阵 D 的深度学习预测模 型,构建了 LSTM-SDRD-HAR 已实现协方差矩阵动态预测模型。 LSTM 模型和 HAR 模型能捕捉实际数据 的长期记忆性,半协方差有利于捕捉金融数据的杠杆性。 实证分析表明:相较于传统向量 HAR 已实现协方 差矩阵预测模型,LSTM-SDRD-HAR 预测已实现协方差矩阵更为准确,基于 LSTM-SDRD-HAR 预测已实现 协方差矩阵构造的有效前沿组合投资效果更佳。     

基于链表结构的多维动态数组设计方法

针对动态数组生成中难以适应任意维数、任意数据类型、索引数据不够灵活等问题,提出一种基于链表结构的多维动态数组设计方法.该方法通过链表进行索引,采用变长参数列表技术动态生成数组.结果表明,该方法能够生成任意维动态数组;适用任意的数据类型;既能够直接利用数组下标索引数据,也能够对数据进行线性访问.与以往动态数组生成方法相比,更易于扩展,使用更加灵活.     

差分特征融合改进的动态手势识别分类网络模型

通过卷积神经网络和长短期记忆网络进行多模型结合,实现动态手势识别分类建模,并使用数据增强算法增加数据的多样性,通过差分特征融合改进网络。7种动态手势动作识别分类的实验结果显示,使用数据增强算法增加数据的多样性后,结合模型的识别率最佳可提升286%;通过差分算法改进网络,序列间差分特征融合模型识别率达到8381%,维度差分特征融合模型识别率达到8762%。表明多模型结合可解决单一模型的局限性,处理更加复杂的动态手势分类问题,两种不同形式的差分特征融合改进都可提升动态手势动作的识别率,从而验证了所设计的差分特征融合改进的动态手势识别分类网络模型的有效性和可行性。     

KPCA-KPLS方法在pH中和过程建模中的应用

针对化工过程中的具有严重非线性、不确定性、时变性的复杂pH中和过程系统建模问题,提出一种基于核主元分析(KPCA)与核偏最小二乘(KPLS)相结合的建模方法.在高维特征空间内,该方法通过KPCA有效地提取输入数据的非线性主元,利用KPLS方法将输入变量投影在潜在变量上,再用输入与输出变量之间的协方差信息提取潜在特征建立pH中和过程模型.为验证其有效性,将KPCA-KPLS方法应用到弱酸强碱中和过程、强酸强碱中和过程实例中,并与核偏最小二乘、核主元分析_支持向量机(KPCA-SVM)、核极限学习机(KELM)、极限学习机(ELM)、最小二乘支持向量机(LSSVM)、SVM等方法进行比较.实验结果表明:KPCA-KPLS方法具有很高的动态建模精度.     

基于元胞自动机模型的城市空间变化模拟研究进展

元胞自动机(CA)是一种时间、空间、状态都离散,空间的相互作用及时间上的因果关系皆局部的网格动力学模型,其“自下而上”的研究思路,强大的复杂计算功能、固有的平行计算能力、高度动态以及具有空间概念等特征,使得它在模拟空间复杂系统的时空动态演变方面具有很强的能力.在城市空间动态变化的模拟研究方面,CA模型已应用到除非洲、南极洲的所有大洲的城市模拟研究当中.CA模型和G IS的集成,一方面增强G IS的空间模型运算及分析能力,另一方面,G IS提供的强大空间处理能力可以为CA模型准备数据和定义有效的元胞转换规则以及对模拟结果进行可视化.同时CA模型还可以与神经网络、主成分分析、遗传算法、模糊逻辑以及其他研究方法相结合,以增强其在城市空间变化模拟研究方面的能力.将CA与MAS技术相结合,建立一个能够模拟多个不同参与因子(自然系统)、不同决策者(人文系统)共同影响下的城市发展模型,以此来模拟与预测城市发展的真实状况,将是CA模型在城市空间变化模拟与预测研究中的未来发展趋势.     

基于多Agent强化学习的战时备件供应保障动态协调机制

有效的备件供应保障是保证航空装备处于良好状态的重要因素.战时备件供应保障的不确定性特点突出.为了应对这些不确定,精确保障要求下战时备件供应保障更加强调备件资源在系统中的动态协调.鉴于战时备件供应保障系统与多Agent系统的相似性,采用基于Agent的建模仿真技术研究多阶段供应保障过程中的动态协调机制.以Agent之间的供需关系为基础给出了多Agent系统模型结构中小组的定义.为了给出备件短缺情况下使军事效益最大的备件分配策略,设计出以小组为单位的多Agent强化学习方法.最后通过仿真实例验证了方法的有效性.     

基于软约束满足理论的用户偏好建模方法

用户建模是电子商务领域的重要研究问题之一,但是到目前为止还没有非常有效的方法能够建模用户的动态偏好等特征。在分析电子商务领域用户偏好特征获取一般特点的基础上,提出基于实例的两阶段递增式用户偏好特征获取方法。并采用基于半环的软约束满足问题表示用户的各类偏好特征,将用户建模看成是潜在方案空间上施加一系列偏好约束的过程。提出不同的偏好约束类型以及利用偏好约束建立用户模型的过程,实现电子商务领域复杂用户偏好的灵活建模。     

海洋变分同化背景场误差协方差矩阵构造技术

为改进背景场误差协方差矩阵构造技术,提高海洋资料变分同化效果,首先将背景场误差协方差矩阵分解为背景误差标准偏差矩阵、非平衡变量空间相关算子以及多变量间平衡算子3部分,然后利用广义扩散方程模拟空间相关算子,联合引入温盐约束关系、线性状态方程、海表高度诊断方程、静力平衡、地转平衡关系模拟多变量平衡,最后给出了一种适用于海洋资料变分同化的背景场误差协方差矩阵构造方案。单点海表温度观测模拟同化试验表明,该方案可实现观测信息在三维空间、多变量间的传播,充分体现了背景场误差协方差矩阵在同化中的作用。     

基于滤波滑模控制的空间柔性机器人系统控制仿真研究

针对一种刚柔结合的空间冗余度机器人,基于拉格朗日法、假设模态法和系统动量守恒对柔性连杆进行近似描述,忽略高阶弹性振动模态,借助Maple软件,推导了一种自由浮动空间柔性冗余机器人操作刚性负载的动力学模型,该方法提高了建模的正确性.并在此基础上,鉴于自由浮动空间机器人系统的结构复杂性和参数变动性,运用具有较强鲁棒性的滑模变结构控制对该动力学模型实现了轨迹跟踪控制,较好地抑制了柔性杆弹性振动,并减小了对本体的影响.最后进行了自由浮动三自由度柔性冗余度机器人的动力学控制仿真,仿真结果验证了上述控制方法的有效性.     

基于交叉协方差子空间估计的前景检测方法

提出了一种基于交叉协方差子空间估计的背景建模方法,用以实现复杂场景下的前景检测.基于交叉协方差的主成分分析方法可以保留更多的图像协方差信息,因此非常适合用于背景模型的构建.本文首次将基于交叉协方差的二维主成分分析方法引入至背景建模领域,并且提出了相应的增量更新算法来实现背景的自适应估计.此外,本文考虑了前景的稀疏性及连续性,并将其合理应用于前景检测过程中.定量实验和定性分析表明,本文提出的方法具有较强的鲁棒性,可以实现复杂场景下的准确背景建模.