最小一乘估计性质的讨论

解决某些问题时,最小一乘准则在很大程度上优于最小二乘准则.通过对最小一乘准则与最小二乘准则的比较分析,给出了最小一乘估计的一些优良性质,如无偏性、渐近正态性、有效性等,并做了相应的理论证明.     

基于遗传算法的最小一乘回归新算法

最小一乘在稳健性上比最小二乘好,使得最小一乘在工程中得到广泛的应用,但求解最小一乘的算法并不理想;本文根据最小一乘的性质,把最小一乘问题变为组合优化问题.将遗传算法用在最小一乘模型的求解上,在后面的仿真实验中得到了较好的效果.     

GM(1,1)模型的改进

由于最小二乘法的稳健性有一定的局限性,使得GM(1,1)模型的拟合精度有时并不理想.为提高预测精度,在分析比较最小一乘法和最小二乘法优缺点的基础上,改变了GM(1,1)模型的参数估计方法,用普通最小一乘法和折扣最小一乘法代替了原来的最小二乘法.最后通过实例验证了该改进方法的有效性.结果表明,改进的GM(1,1)模型准确度有较大提高.     

最小一乘回归的新算法

利用加权最小二乘法，提出最小一乘的一种迭代算法，这种方法使最小一乘法在计算上变得简单、直观     

正弦余弦算法求解含有异常值的非线性数据拟合

针对非线性数据拟合问题，建立以残差的平方和与绝对值和为目标的最小二乘与最小一乘模型，采用正弦余弦算法计算模型参数.计算结果表明：如果数据的分布是对称且无异常值，则最小二乘得到的结果与最小一乘得到的结果基本一致；如果数据存在异常值，则异常值对最小二乘有着较大的影响，而对最小一乘的影响较小.     

最小二乘与最小一乘

最小二乘与最小一乘是回归分析中两个重要的估计方法,在这篇文章中,我们将通过线性回归给出它们的定义,并给出它们的优缺点,希望能为使用者提供方便。     

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.     

回归分析中的目标函数极小化准则

指出了最小二乘回归分析中存在稳健性不好的问题,讨论了用线性规划法计算回归系数的最小一乘准则和极小极大化准则,通过实例计算得出最小一乘准则误差绝对值小,最大误差最大和极小极大化准则误差绝对值之和最大,最大误差最小的结果,指出在实际应用中可以把三种准则下的计算结果进行比较,从中选出最优回归方程。     

组合预测模型的回归分析方法

给出求解组合预测权系数的回归分析方法，文章首先给出了基于最小二乘和最小一乘准则的线性回归组合预测模型，然后应用最小二乘原理得到权系数最小二乘估计值。由于最小一乘准则下，目标函数不可微，传统的优化规则方法无法求解，故文中提出用基于最小二乘的逐步变权方法进行求解。同时，还给出了百分误差绝对值最小为目标的组合预测模型及权系数求解方法。通过实例分析，表明组合预测模型的预测精度很高，回归效果很显著。     

基于Matlab的最小一乘回归的线性规划实现

对基于最小二乘准则的回归方法进行了分析,指出该方法容易受到野点信号的干扰.最小一乘准则虽然克服了最小二乘准则的不足,但如何在其基础上建立与实现回归算法一直是一个难题.论文中提出利用线性规划的方法建立该算法,并采用Matlab语言予以实现.     

解最小一乘问题的递归神经网络

应用鞍点理论和投影算子的性质,给出了一种递归神经网络求解具有线性约束的最小一乘问题,证明了此神经网络全局收敛于一个最优解.数值实验表明,用本文的方法求解最小一乘问题是切实可行的.     

AHP中关于对数最小一乘排序算法的探讨

在层次分析中提出了一种对数最小一乘排序方法，并给出了一个迭代算法，该方法具有较好的稳定性．     

曲线拟合的最小一乘法

最小一乘法的解,由于存在着绝对值方程而不便于计算,成为困扰数理界200多年悬而未决的难题.基于对最小一乘准则下各种数学模型的大量计算和长期研究后发现,若存在最小一乘最佳参数a=a*∈Rn使绝对偏差值和为极小的最小一乘准则im=∑1 yi-f(xi,a*)=min成立,则拟合函数f(x,a*)的表征为:至少存在n个点x1,x2,…,xn,使yi-f(xi,a*)=0,i=1,2,…,n(n≤m)成立,从而最小一乘解可以实现.     

基于相对误差的曲线最小二乘拟合

分析了最小二乘法的研究历史与现状,给出了高斯最小二乘法的几种研究思路,但是这些研究方法都没有考虑到高斯最小二乘法本身的缺陷。将通过一个实际的算例来分析高斯最小二乘法的缺陷基于绝对误差大体相同的前提之下,否则会产生很大的误差。在绝对误差相差不多的情况下,较小的数据的有可能产生较大的相对误差,这显然与实际情况不符。但通常情况下,观测数据往往按被观测量的相对误差进行评价,也就是说,被观测量越大,允许的实际观测量的误差也越大。从这个角度出发,将给出改进的最小二乘法。同时,从理论上证明其对应的法方程组的解是存在且唯一。最后给出相应的仿真算例,与高斯最小二乘法作比较,得到较好的结论。     

灰色模型GM(1,1)的稳健算法及其应用

将最小一乘法应用于微分方程变量参数求解,建立稳健灰色模型RGM(1,1),并将其应用于建筑物沉降预报和比较.研究和实际应用表明：稳健灰色模型RGM(1,1)比常规灰色模型GM(1,1)具有更好的抗干扰性能和受异常点影响小的优点,根据少量的观测数据建立的RGM(1,1)模型有更好的预报应用价值.