简约指标体系下的区域创新能力评价——基于主基底变量筛选和主成分分析方法

在设计区域创新能力评价初始指标体系的基础上,采用基于主基底分析的变量筛选方法对初始指标体系进行变量筛选,构建了区域创新能力评价体系的简约变量集合,在保证原始变量信息损失尽可能小的前提下,排除所有的冗余信息,避免了变量之间的多重相关性;再利用主成分分析对简约变量集合进行二次降维,构建综合评价模型,对我国30个地区的创新能力进行排序及分析评价,得到了较好的评价结果。     

基于主成分分析和组合神经网络的短时交通流预测方法

提出一种将主成分分析和组合神经网络相结合的方法来预测短时交通流量.将预测路段历史流量及其相关路段的历史流量进行主成分分析,分析结果作为组合神经网络的输入数据,这样不仅减少了输入变量个数,减小网络规模,而且保留了原始变量的主要信息,消除变量之间的相关性.给出了一个说明该方法有效性的例子,用同一组数据比较该方法与典型BP网络的预测效果,结果表明该方法明显优于BP网络.     

中国债券收益率的可预测性检验

基于工具变量(instrumental variable, IVX)统计检验方法,对我国主要宏观经济变量能否单独或联合预测债券收益率进行可预测性研究.IVX检验方法无需考虑预测变量的持续性先验信息,对任何属于单位根过程、近单位根过程、近平稳过程或平稳过程的预测变量都稳健.进一步使用AIC和BIC方法对多元变量回归模型进行变量筛选,仿真结果表明,两种准则均能准确筛选出模型重要变量并排除冗余变量.通过对国债和AAA、AA-级企业债三种不同信用等级债券收益率的长短期可预测性差异分析,研究发现:1) 1年期储蓄存款利率、人民币实际有效汇率、沪深300指数、工业增加值同比以及大部分宏观经济变量组合在10%显著性水平上能显著预测债券收益率;2)宏观经济变量长期预测能力强于短期;3)基于IVX方法的AIC和BIC准则能够有效地筛选模型重要变量.     

基于主元分析的气体膜分离过程RBFNN建模

构建一个基于主元分析的气体膜分离过程的RBF神经网络软测量模型,研究氢回收过程中一些难以测量的重要性能参数。在炼厂气氢回收研究中提出的通过测量间接变量建立软测量模型方案的基础上,融入主元分析思想,先对间接测量变量进行主元分析,得到为主导变量提供关键信息的变量,再建立RBF神经网络对目标变量进行研究分析。基于实验数据和RBF神经网络模型,利用MATLAB软件平台对氢回收过程的重要性能参数分析研究,仿真结果证明了此模型的正确性和理论分析的合理性。主元分析的融入简化了气体膜分离过程重要性能参数在线检测的研究过程。     

相似集群分析方法及其应用

提出一种相似集群分析方法及其在系统分析中的指标筛选与结构相似分类中的应用．该方法在本文中称为ＩＧＧＴ．它能同时完成结构相似分类与类主特征提取的功能，在本文中介绍该方法的原理、算法及在指标筛选中的应用．     

基于t分布噪声的鲁棒PPLS回归模型

概率PLS(PPLS)模型中,数据源(主元)和噪声满足正态分布,容易受离群点的影响.鲁棒PPLS算法采用拖尾更长的t分布描述数据源和噪声,提高了模型的鲁棒性.但是,实际工业过程中,离群点由测量噪声导致,而不是由产生过程变量和质量变量的数据源产生.基于此,提出一种基于t分布噪声的鲁棒PPLS模型.该模型采用t分布拟合测量噪声的分布,而主元依然用标准正态分布描述,更符合实际测量状况.考虑到潜在变量的存在,采用极大似然方法结合EM算法对模型的参数进行了估计,并将该模型用于对过程变量和质量变量的回归估计.最后,通过仿真实例进行了验证.     

超高维删失数据的联合特征筛选方法研究

针对超高维删失数据,通过降维技术可以进行特征选取，去除大数据中的噪声数据，以便挖掘高维大数据的重要信息，进行大数据的相关分析和应用.本文提出了一种稳健的偏相关系数来进行特征筛选,并引入逆概率加权方法来处理删失,发展出一种新的联合特征筛选方法.本文利用响应变量的条件分布函数来构造偏相关性度量,可以全面地刻画其与协变量间的相关性,且相较于传统的皮尔逊偏相关系数,该度量对于响应存在异常值,厚尾分布以及异方差结构时具有稳健性.其次,基于该度量所提出的联合特征筛选方法通过投影作用来消除由协变量之间的相关关系产生的干扰作用,故能够较好地改善假阴性错误、假阳性错误及协变量的共线性问题.我们推导了该方法的理论性质,给出了快速的迭代算法,并进一步通过模拟和实例分析来考察该算法在有限样本下的数值表现.     

基于PCA和最小二乘支持向量机的软测量建模

软测量技术是解决工业过程中普遍存在的一类难以在线测量变量估计问题的有效方法,支持向量机是基于统计学习理论的一种新的机器学习方法。提出了一种基于主元分析(PCA)和最小二乘支持向量机的软测量建模方法,用主元分析对输入变量进行数据压缩,消除变量之间的相关性,简化支持向量机结构,并通过交叉验证的方法对支持向量机进行参数选择。将其用于4-CBA软测量建模的结果表明:该方法具有学习速度快、跟踪性能好以及泛化能力强等优点,为4-CBA软测量建模的在线实施提供了方便。     

基于客观系统分析的解释结构模型

用解释结构模型(ISM)进行系统分析的关键是准确确定系统要素的邻接矩阵。基于OSA的ISM模型是利用自组织的客观系统分析(OSA)方法在训练集上产生复杂度逐渐增加的模型,用检验集筛选模型,系统外准则值的最小值对应着最优方程组。最优方程组以定量的方式给出系统变量间的连接方法和连接强度。根据OSA最优方程组中变量之间的系数是否为0或通过设定阈值可以客观地确定邻接矩阵。在此基础上建立的ISM模型从整体角度准确地揭示了系统要素的结构,是实现系统知识提取的有效途径。     

基于主元分析及粗糙集的多变量决策树构造方法

为解决故障诊断中单一方法难于处理大规模、多变量数据信息的问题,提出了一种利用主元分析方法和粗糙集理论相结合的多变量决策树构造方法.该方法利用主元分析对历史数据进行降维、去噪处理,得到由主元变量组成的决策信息.通过粗糙集理论中核属性和相对泛化的概念对此决策信息进行属性选择和样本集划分,构造出多变量决策树,并建立诊断规则知识库.基于汽轮机发电机组的轴系振动故障分析的实例验证了此方法的正确性,与其他方法相比较具有规模小、诊断规则易于提取的特点.     

Variable selection in joint location,scale and skewness models of the skew-normal distribution

Variable selection is an important research topic in modern statistics, traditional variable selection methods can only select the mean model and (or) the variance model, and cannot be used to select the joint mean, variance and skewness models. In this paper, the authors propose the joint location, scale and skewness models when the data set under consideration involves asymmetric outcomes, and consider the problem of variable selection for our proposed models. Based on an efficient unified penalized likelihood method, the consistency and the oracle property of the penalized estimators are established. The authors develop the variable selection procedure for the proposed joint models, which can efficiently simultaneously estimate and select important variables in location model, scale model and skewness model. Simulation studies and body mass index data analysis are presented to illustrate the proposed methods.     

财务困境预测中的变量筛选——基于平均影响值的SVM方法

在财务困境预测中,如何从大量备选指标中筛选出预警指标是一个重要环节。为了更有效地设计财务困境预测模型,本文将平均影响值方法应用于SVM回归来进行变量筛选,首先对训练集数据用SVM进行训练,然后分别增减每一自变量的10%来进行仿真,对两个仿真结果的差值按样本数平均,得出平均影响值;最后对各个自变量的平均影响值按绝对值大小排序,从而进行变量筛选。实证结果表明,该方法能够以较少的特征变量实现较高的分类精度,是切实有效的。     

On Construction of Optimal Two-Level Designs with Multi Block Variables

When running an experiment, inhomogeneity of the experimental units may result in poor estimations of treatment effects. Thus, it is desirable to select a good blocked design before running the experiment. Mostly, a single block variable was used in the literature to treat the inhomogeneity for simplicity. However, in practice, the inhomogeneity often comes from multi block variables. Recently, a new criterion called B²-GMC was proposed for two-level regular designs with multi block variables. This paper proposes a systematic theory on constructing some B²-GMC designs for the first time. Experimenters can easily obtain the B²-GMC designs according to the construction method. Pros of B²-GMC designs are highlighted in Section 4, and the designs with small run sizes are tabulated in Appendix B for practical use.     

偏最小二乘回归在刀具磨损试验建模中的应用

应用灰色关联度筛选变量，将样本变量筛选为部分样本变量和全部样本变量组合用于建模的自变量，以刀具后刀面磨损量作为因变量，对不同切削条件下铣削加工过程刀具后刀面磨损的多组实验数据，采用偏最小二乘回归分析方法，建立对所选自变量的偏最小二乘回归模型。结果表明，该方法提取的成分具有线性无关的特点，对刀具磨损有较好的解释能力，且利于建模和预测，同时可以消除输入因素的多重共线性。刀具磨损的回归模型计算出不同切削条件下刀具后刀面的磨损量，以全部样本变量所建立的模型预测效果更为理想。     

基于RBF神经网络的非线性主元分析新方法

在分析非线性主元曲线性质基础上,提出了非线性负载是变量X的函数,基于此,设计非线性负载RBF神经网络结构,给出了随机梯度下降算法。提出的非线性主成分分析方法与以往方法比较,得分和负载在概念上具有和线性主成分分析相同的解释,在结构上较为简单,解决了缺乏训练数据问题,训练容易。与线性主成分分析的对比仿真验证了提出方法的有效性。     

Variable Selection of Varying Dispersion Student-t Regression Models

The Student-t regression model is a useful extension of the normal model,which can be used for statistical modeling of data sets involving errors with heavy tails and/or outliers and provides robust estimation of means and regression coefficients.In this paper,the varying dispersion Student-t regression model is discussed,in which both the mean and the dispersion depend upon explanatory variables.The problem of interest is simultaneously select significant variables both in mean and dispersion model.A unified procedure which can simultaneously select significant variable is given.With appropriate selection of the tuning parameters,the consistency and the oracle property of the regularized estimators are established.Both the simulation study and two real data examples are used to illustrate the proposed methodologies.     

不良贷款有无回收判别:一类可选变量的支持向量机方法

针对不良贷款有无回收判别问题中属性变量数目多、示性变量比例高的特点,提出了一类可选择变量的支持向量机方法进行判别预测.该方法一是将逐步回归的支持向量机思想应用在模型变量的选择上,二是将线性逐步回归的结果作为模型选择变量的初始状态,解决了传统支持向量机只能使用固定变量的问题. 实证结果显示,该方法不仅提高了样本外预测的正确率, 而且具有很好的稳健性.     

系统发展对策生成的子系统流位反馈环结构分析法——以银河杜仲经济生态系统现代农业区建设为例

系统反馈环结构分析是生成促进系统良性发展对策的一个有效方法. 针对反馈环构建及其运行规律分析缺乏规范方法的问题，建立系统发展对策生成的子系统流位反馈环结构分析法：首先，采用流率基本入树建模法构建系统整体流图，用树枝向量行列式计算出流图全部反馈环；接着，根据系统目标划分子系统，确定各子系统流位变量，构建子系统的流位反馈环结构图；分析确定子系统各反馈环的关键变量，及影响关键变量的调控变量和调控因果链，揭示政策作用的杠杆点；最后，依据杠杆点和调控因果链、遵循整体对策生成原则，确定系统发展对策. 全文以银河杜仲经济生态系统现代农业区建设为实例，演示子系统流位反馈环结构分析方法的基本步骤，生成4项发展对策，对策实施效果证明了该方法的可行性和有效性.