D相关系数的统计性质

该文讨论了一类由Ｓｈａｎｎｏｎ熵导出的Ｄ相关系数的估计问题,给出了这种Ｄ相关系数的相合估计量,并讨论了依概率１收敛的条件,并用蒙特卡洛方法对论了这种估计量的样本性质。得出了这Ｄ相关系数的区间估计形式,判别两随机变量间独立性准则及判别一个随机变量依概率１确定另一个随机变量的准则。     

三参数威布尔分布贝叶斯估计的混合Gibbs算法

利用混合Gibbs算法(Gibbs抽样与Metropolis算法的混合)给出了完全样本和定数截尾样本两种情形下三参数威布尔分布的贝叶斯估计.作为应用举出了三个实例,通过Monte Carlo模拟求得参数的贝叶斯估计及可信区间,给出混合Gibbs抽样过程中参数的轨迹图、直方图及自相关系数图,并将模拟结果与相关文献进行了比较.     

基于Bandelet变换的手背静脉识别算法

提出一种基于Bandelet变换的手背静脉识别算法, 该算法利用Bandelet变换对静脉图像进行特征点提取, 通过提取的特征点构造了表征静脉纹理特征的特征向量, 通过计算待识别样本特征向量与目标样本特征向量的相关系数得出其相似度, 并在利用自制采集设备采集的样本库上对算法进行测试, 给出了实验结果.     

ARMA模型MA参数的G－M估计及其渐近正态性

本文利用样本逆自相关系数给出ＭＡ参数的一种估计方法，并证明利用此方法求得的多数估计的渐近正态分布性质。     

二维正态总体相关性的假设检验

在样本相关系数具有渐近正态性的条件下,给出了一种二维正态总体分量相关性的假设检验方法,并且与大样本情形下的传统检验方法比较了功效,得到渐近相对效率为1的结论,且新的检验统计量形式明显简单,从而说明新的检验方法是简便可行的.     

概率密度函数的特征相关法DNA序列分析(英文)

提出了一种客观的特征提取和相关的方法用于DNA序列的结构分析.这种方法是从DNA序列码的碱基和片段码中提取统计特征和相关特征.然后计算样本序列和已知类之间的平均相关系数.如果最大的相关系数大于对应类的平均相关系数,则该样本被分类到对应的类中去.利用一组DNA序列样本做了试验,结果表明,这种方法适合于任何DNA序列的结构分析而不需要先念的生物信息,对发掘人类基因隐藏信息的研究大有用处。     

γ噪Blazar天体的γ射线辐射研究

给出了一个包含89个B lazar的样本,用O rig in 7.0研究了样本源γ射线流量密度在高态、平均态、态及高态减之间的线性相关.结果显示,它们之间都有较好的线性相关(p<0.01),并且显示出一定的相关强弱的顺序规律.最大值与最大值减最小值差的线性关系最好,相关系数为0.936.最小值与最大值减最小值差的线性相关最弱,相关系数为0.471.对所得结果做了合理的解释,得出了如下结论:B lazarγ射线辐射由多部分构成,各部分有不同的辐射机制.     

随机行向量空间及其应用

本文定义了随机行向量空间、行向量相关系数与平面拉直运算,推导了样本行向量协方差阵的分布与样本行向量相关系数的分布,并将其应用于计算典型相关行向量以及张量回归。     

基于大数据分析挖掘技术的电力设备局部放电诊断方法

当前电力设备状态参量规模逐渐增加,电力设备状态数据来自多个不同系统,较为复杂。传统诊断方法不能有效处理大规模数据,导致电力设备局部放电诊断结果不可靠。为此,提出一种新的基于大数据分析挖掘技术的电力设备局部放电诊断方法。给出谱图生成过程,对电力设备局部放电特征进行提取。对电力设备状态参量进行大数据分析挖掘,完成对电力设备各种状态参量的组合、特征合并处理。通过皮尔逊相关性理论计算相关系数。依据相关系数,利用优化迭代将电力设备样本分成若干类,获取对应聚类中心。将局部放电样本聚集在一起,依据局部放电特征实现诊断。实验结果表明,所提方法诊断可靠性与实用性强。     

马科维茨有效边界理论的实证分析

以1990年至2003年7个国家股票指数收益率的平均收益、标准差和相关系数为样本,在“允许卖空”时,通过3种方法得到有效边界,并对3种结果进行了比较;在“不允许卖空”条件下,给出其有效边界的算法,最后对“允许卖空”和“不允许卖空”两种情况的有效边界进行了比较,说明“允许卖空”有更大的潜在收益。     

京杭大运河淮安段的水质评价及趋势分析

以京杭大运河淮安段2004～2007年的水质监测数据为样本,用聚类分析的方法将样本水质分类评价,并用秩相关系数检验法作水质污染趋势分析。     

有新样本加入的支持向量机的学习策略

在支持向量机的学习过程中,有些情况下训练样本不能一次全部给出,这样当有新样本加入训练集时,支持向量集和训练样本集的等价关系将被打破.为了解决这个问题,本文提出了有新样本加入的支持向量机的学习策略.通过对新样本的分析,选出能代替原样本和新样本进行学习的样本,并给出这些样本应满足的条件,最后给出了相应的学习策略.对标准数据集的实验表明,本学习策略可以在新增样本增加后,有效压缩样本集的大小,提高分类的速度,舍弃无用的样本,同时保证了分类精度.     

近红外光谱奇异样本剔除方法研究

采用近红外光谱分析技术建立面粉校正模型,对面粉中灰分含量进行定量分析,并对异常样本进行剔除.试验中采用马氏距离法和蒙特卡洛采样法分别对异常样本进行了剔除,结果表明：用马氏距离法剔除异常样本,当权重系数为1.5,剔除样本数为3时,得到最好结果,相关系数（R2）为92.67,交互验证均方差RMSECV为0.048 5;MCCV法剔除异常样本,剔除样本数为3,得到最好结果,相关系数（R2）为94.64,交互验证均方差RMSECV为0.041 1.故马氏距离法剔除异常样本能在一定程度上提高校正模型的精度和预测精度,但MCCV法剔除异常样本后模型精度和预测精度优于马氏距离法.     

戈塞特及其小样本理论

戈塞特在小样本理论发展的早期阶段做出了重要贡献。该文利用原始文献分析法,考察了戈塞特在样本均值的小样本分布和相关系数的小样本分布方面的研究,指出戈塞特的工作开创了小样本理论研究的序幕。更重要的是他的工作吸引了一批年轻统计学家的关注,进而带动了小样本理论的发展。     

基于含时网络与随机矩阵理论的投资组合研究

考虑到资产收益率间复杂的线性和非线性动态相关及演化关系,基于Pearson相关系数、Kendall秩相关系数和Tail相关系数等构建含时网络并结合随机矩阵理论,研究最优投资策略问题。为了对比不同相依关系、不同中心性测度及是否降噪对投资策略的影响,构建了9个资产筛选网络模型,并基于上证180指数数据,求解最优投资策略,分析其内样本和外样本表现。研究发现:在Kendall和Tail相关系数下的模型所选资产组合可以有更低的交易成本,运用随机矩阵理论进行降噪能显著提升投资收益,含时条件中心性测度的引入有助于筛选出更优的资产组合。     

二元正态总体样本相关系数的渐近正态性

基于多元函数的中心极限定理,证明了二元正态总体的样本相关系数具有渐近正态性并得到了具体的渐近分布.     

从多方面探讨相关系数的意义

本文从多方面探讨了相关系数，并通过对若干实例的分析，给出了相关系数更深层的意义。     

基于互相关系数的二元随机过程伪回归探讨

通过对样本互相关系数分布的讨论,特别是其方差的变化,分析了伪回归产生的原因.结论是二元随机过程X,Y存在自相关性或非平稳等情况,导致样本互相关系数的方差变大,从而以一定的规则来判定时产生错判;其次,针对伪回归产生的原因,提出了避免伪回归现象的办法;通过模拟分析和实证分析说明了方法的可行性及结论的正确性.     

联想Hopfield神经网络样本稳定性的判别方法

针对基于Hebb学习的离散Hopfield神经网络，论述了实现联想记忆功能的基本方法及其样本稳定性的基本思想。根据所存在的问题，提出了判别样本稳定性的充要条件，以及判别样本稳定的一个充分条件，使判别样本是否稳定变得简单易行。最后给出了判别样本稳定的矩阵表示形式，并对给出的定理以及推论给予了证明。     

多项式回归理论在机床热误差建模中的应用

通过理论分析,利用多项式回归理论中的增广样本相关系数,结合复相关系数的方法剔除与因变量和其他自变量相关系数均很低的自变量,建立机床热误差补偿模型.该方法与逐步线性回归热误差建模法相比,可避免出现温度变量耦合现象,缩短建模时间.通过残差及拟合图验证该模型具有较高的回归精度.