一类相依回归模型参数估计的相对效率

对于一类相依回归系统(1),当设计阵X2呈病态时,[1]中提出了协方差阵已知或未知时,估计量β1^~、β1^~(T)的改进估计分别为β1^~(k)、β1^~(T,k)。讨论这两种有偏估计与它们的协方差改进估计β1^~,β1^~(T)及最小二乘估计A之间的相对效率问题,并给出了相对效率的上界或下界。     

基于偏最小二乘回归的产品功能可用性评价

现有的产品功能可用性研究仅为提升具体功能的可用性,忽视了用户对产品功能可用性的偏好问题。为解决该问题,首次提出了基于偏最小二乘回归的产品功能可用性评价方法。在常用可用性分析方法基础上,对细分市场产品整体满意度和功能可用性进行偏最小二乘回归。结合功能可用性评价矩阵分析产品功能改进方向。最后,通过手机实例进行了方法的演示,验证该方法是产品功能可用性分析的有效方法。     

一类度约束最小生成树问题的Dijkstra算法

度约束最小生成树问题是网络设计和优化中的一个NP难题。结合该问题的特征,基于Dijkstra算法的基本思想,提出了一种求解网络G关于指定节点的最大度最小生成树的新算法。该算法在保证指定节点最大度的前提下,每次通过选取剩余边中权最小的边加入当前网络,最终得到网络G关于指定节点的最大度最小生成树。同时对算法的复杂度进行了分析。最后通过与其他算法的仿真比较和算例,表明了新算法的有效性。     

锌钡白煅烧过程的LS-SVM建模仿真

针对锌钡白煅烧过程建模难的问题,采用一种基于最小二乘支持向量机(LS-SVM)的辨识算法进行过程建模研究。从SVM与LS-SVM的算法机理出发,利用LS-SVM算法结构简单、辨识速度快的优点,通过建模仿真得到煅烧转速随煅烧温度变化的模型,并将此算法与自适应神经模糊推理系统(ANFIS)进行了辨识性能上的对比,结果表明LS-SVM在过程建模中具有更好的实际应用价值。     

Fisher正则化的最小二乘孪生支持向量机

最小二乘孪生支持向量机是一种有效的模式分类算法,然而每一个训练样本都对最终的决策平面有影响。如果训练集含有噪声或异常点,其会过度关注这些点,这可能导致最小二乘孪生支持向量机的判别能力较差。为了解决这个问题,受Fisher准则思想的启发,本文引入了双Fisher正则化项,并在此基础上提出了Fisher正则化的最小二乘孪生支持向量机。同时,在人工数据集和UCI数据集上验证了所提算法的有效性。     

异常点检测后的偏最小二乘回归模型

偏最小二乘回归是通过一组自变量来预测一个或一组因变量的统计方法。但在很多情况下用于建模的样本点由于种种原因会出现一些异常情况,这些异常点和其他样本点之间都存在着很大的偏差。异常点的存在对所建立的模型和真实模型就有很大的偏差。基于这一问题本文通过构造统计量对所给的样本点进行选择,剔除对模型的构造有很大影响力的样本异常点,从而获得一个相对合理的样本空间。在相对合理的样本空间中采用偏最小二乘回归建立模型。运用MATLAB编程,通过一个实例说明在对于异常点剔除后的样本空间中建立模型的精确程度有了很大的提高。     

LSSVM在指数寿命型小子样IC寿命预测的应用

针对传统寿命预测方法需要大量样本与现代高可靠集成电路（IC）在寿命试验中通常只有少量失效样本的矛盾,提出了基于最小二乘支持向量机（LSSVM）的指数寿命型小子样IC寿命预测方法。用蒙特卡罗方法研究了该方法在指数寿命型IC寿命预测应用中的可行性,同时与基于神经网络的预测方法相比,结果表明基于LSSVM的方法能更精确地预测小子样下IC的寿命,可为预测指数寿命型小子样IC的寿命提供一种新的有效途径。     

最小操纵速度飞行试验技术研究

概述了非对称推力情况下飞机的力学原理和产生的影响,通过学习GJB 185-86和CCAR25-7A相关条款,对最小操纵速度试验的相关概念、限制条件和要求进行了总结.结合实践知识和多个飞行员飞行后评述,总结了静态空中最小操纵速度、动态空中最小操纵速度和地面最小操纵速度飞行试验技术,并通过在BEECH飞机和B737-200模拟器上进行飞行体验验证了试验方法的正确性.     

广义运输问题的状态算法

经典运输问题在实际应用中有很大的局限性,推广后可以得到具有运输能力限制、供求量可以变化的广义运输问题.广义运输问题不能用运输问题的表上作业法进行求解.利用网络流算法对广义运输问题进行求解.我们首先将广义运输问题等价化为最小费用循环流模型,然后根据求最小费用循环流的状态算法,构造了求解用于广义运输问题的有效方法.     

多重线性回归的最小二乘估计的递推算法

给出多重线性回归yi=β0+β1xil+…+βpxip+εi(i=1,2,…,n)的最小二乘估计的递推算法β(n)=β(n-1)=PnXn(yn-Xtnβ(n-1)Pn=Pn-1-Pn-1XnXtnPn-1β(0)=0,P0=αI(α>>1).这种算法是自适应的,也是均方收敛的.