基于岭型主成分估计的最优与经典预测的最优性判别

针对有偏降维估计的预测问题，以岭型主成分估计为基础，对广义线性回归模型{y=Xβ＋ε，ε-N（0，σ^2∑）}的最优预测量与经典预测量的最优性判别问题进行讨论。借助矩阵不等式的一些性质，给出了离差矩阵和风险函数最小的判别准则下岭型主成分估计关于两类预测量最优性判别条件，为有偏降维估计关于两类预测量的最优性判别问题提供了一种方法和思路。     

回归系数的一种有偏估计

为了改进最小二乘估计，克服其在设计阵呈病态时表现出的不可靠性，本文将最小二乘估计、Stein型估计和组合主成分估计的方法联合起来，提出了多元线性模型回归系数的一种新的有偏估计。并且证明了：此种估计在均方误差意义下是可容许估计；在参数区域的某个椭球内，这种新的估计优于最小二乘估计、主成分估计和组合主成分估计。     

广义岭型主成分估计优良性研究

对有偏估计中的广义岭型主成分估计的优良性进行了较深入的研究.证明了广义岭型主成分估计优于最小二乘估计的充要条件,并在此基础上对几类常见的有偏估计在均方误差(阵)条件下优于最小二乘估计的充要条件进行了拓展.     

岭型主成分估计的最小方差和

讨论岭型主成分估计在一类降维估计中的方差性质，证明了它的方差和在这类降信估计中最小，文（１）的结果是本文的特例。     

广义岭型主成分估计的一些性质

讨论了广义岭型主成分估计的一些性质,引入一种估计的相对效率,证明了广义岭型主成分估计比岭型主成分估计和主成分估计的效率高,并且在Pitman准则下也优于岭型主成分估计和主成分估计.     

基于压缩主成分估计的两类预测的最优性判别

本文以压缩主成分估计为基础，对广义线性模型的最优预测与经典预测的最优性判别问题进行了讨论，获得了在离差矩阵判别准则和广义风险函数判别准则下判断两类预测量最优性的一个充分条件，为进一步研究基于有偏估计关于两类预测量的最优性判别问题提供了一种方法和思路。     

回归系数的stein型广义主相关估计

根据主相关估计的思想,针对广义线性模型,本文给出了一种新的回归系数的有偏估计——广义主相关估计,并将其与stein型压缩估计相结合,提出stein型广义主相关估计,在均方误差的意义下考虑其特性,对偏参数的范围予以讨论.     

增长曲线模型回归系数的组合主成分估计

本文提出了增长曲线模型回归系数的一种新的有偏估计——组合主成分估计,在一定条件下证明了此估计优于最小二乘估计且是可容许估计,进一步,给出了这种估计与文献[4]中提出的主成分估计的关系。     

压缩主成分估计的方差最优性质

结合压缩估计与主成分估计的思想方法,提出了压缩主成分估计.讨论了它在降维估计中的方差最优性质,推广了文献[1]的主要结果.     

主成分估计的方差最优性

定义了一类新的降维估计类，证明了主成分估计这类降维估计中具有的几种方差最小性。     

一类相依回归模型参数的组合主成分改进估计

针对两个相依方程组成的一类回归模型,提出回归系数的一种组合主成分改进估计方法,在均方误差意义下讨论了这种估计量的优良性质,研究了此估计与主成份改进估计的关系.     

回归系数LS估计的改进

论述了复共线性对LS估计的影响,复共线性存在时主成分估计比LS估计有较小均方误差.通过实例说明利用主成分估计对LS估计改进的方法与步骤.     

函数型部分线性回归模型参数估计的注记

本文进一步研究了函数型部分线性回归模型中的参数估计问题,在模型中的随机误差项具有一定相关性的条件下,构造了模型中未知参数向量的估计量并且建立了估计量的渐近性质,如参数向量估计量的相合性及函数型参数估计量的收敛速度,并推广了现有文献中的相关结果,同时也构造了模型中误差协方差阵参数的估计量。     

广义岭型压缩主分量估计及其优良性

对线性回归模型回归系数β,当设计阵X为病态时,提出一种新估计:广义岭型压缩主分量估计,它在MSE和GMSE准则下优于最小二乘估计,在均方误差准则下优于岭型压缩主成分估计,最后对它的可容许性进行了讨论。     

方差分量二次型估计及容许性

在线性模型中,方差分量是比较重要的一类参数.本文给出了线性混合模型两个方差分量的二次型估计,并得到所得二次型估计类的一些性质,如无偏性、不变性、在均方损失下的容许性,并且利用截断法对所得的估计进行非负改进.     

半参数线性回归模型的最小一乘核估计

提出半参数线性回归模型的最小一乘核估计,通过模拟计算表明该方法是有效的,在与最小二乘核估计的比较中更突出了该方法的稳健性.     

基于改进广义回归神经网络和主成分分析的宽带DOA估计

为了获取较高的宽带信号的DOA(direction-of-arrival)估计精度,提出了基于改进的广义回归神经网络(IGRNN,improved generalized regression neural network)和主成分分析(PCA,principalcomponent analysis)的宽带DOA估计算法。选用PCA方法对训练样本进行降维,以降低神经网络的复杂度;利用粒子群算法优化GRNN的参数;根据选取不同的聚焦角度确定粗估计、精估计的训练模型,通过粗估计得出目标的大致方位后,利用精估计模型得出最终的估计结果,避免了聚焦角度对估计精度的影响。仿真结果表明,本文提出的算法具有较好的估计精度和较高的工作效率。     

平衡损失下等式约束模型参数的Minimax估计

研究等式约束模型中回归系数的线性Minimax估计问题.在改进Zellner提出的平衡损失函数的基础上,分析了齐次线性估计类中等式约束模型中回归系数线性估计损失风险的极大极小性,并得到了回归系数的线性Minimax估计;在适当的假设下,证明了回归系数线性Minimax估计的唯一性.     

多元线性模型回归系数的广义根方估计

将根方估计作一拓广，提出了回归系数的广义根方估计，证明了广义根方估计能更有效地改善最小二乘估计，并给出了广义根方估计的显示解和确定偏参数的方法。     

边角网赫尔默特方差分量估计的特征根法

叙述了赫尔默特方差分量估计的基本思想和基本公式;结合边角网方差分量估计的特点,总结边角网方差分量估计的定权规律;为避免赫尔默特方差分量估计的公式中存在矩阵求逆、多矩阵连乘再求迹的复杂运算,导出边角网方差分量估计的简化公式--特征根公式.