基于模糊预测系统的观测数据野值剔除方法

针对观测数据序列中影响数据处理和分析的野值,提出了一种在线辨识和剔除野值的方法。该方法利用梯度下降法构造最小均方准则下最优的观测序列模糊预测系统,从而获得预测值与观测值的残差序列,然后基于狄克松准则快速辨识并剔除观测数据中的异常值。对实测数据的仿真实验表明:该方法能够准确跟踪观测信号的变化,适合于各种观测信号单个性野值的辨识和剔除。     

GPS变形监测的似单差算法与粗差识别

根据高精度GPS变形监测的特点,建立了单历元解算变形量的似单差模型及其算法.该模型避免了周跳的探测与修复,可适用于动态、静态两种监测模式及同步观测卫星少于4颗的情况.在分析似单差模型的基础上,提出了识别载波相位观测值中小于半周的粗差的方法.利用试验数据对似单差模型的正确性及粗差识别方法的有效性进行了检验.     

An outlier robust GARCH model and forecasting volatility of exchange rate returns

Since volatility is perceived as an explicit measure of risk, financial economists have long been concerned with accurate measures and forecasts of future volatility and, undoubtedly, the Generalized Autoregressive Conditional Heteroscedasticity (GARCH) model has been widely used for doing so. It appears, however, from some empirical studies that the GARCH model tends to provide poor volatility forecasts in the presence of additive outliers. To overcome the forecasting limitation, this paper proposes a robust GARCH model (RGARCH) using least absolute deviation estimation and introduces a valuable estimation method from a practical point of view. Extensive Monte Carlo experiments substantiate our conjectures. As the magnitude of the outliers increases, the one‐step‐ahead forecasting performance of the RGARCH model has a more significant improvement in two forecast evaluation criteria over both the standard GARCH and random walk models. Strong evidence in favour of the RGARCH model over other competitive models is based on empirical application. By using a sample of two daily exchange rate series, we find that the out‐of‐sample volatility forecasts of the RGARCH model are apparently superior to those of other competitive models. Copyright © 2002 John Wiley & Sons, Ltd.     

海南省CPI数据一致性的统计分析

选择1988--2008年海南省CPI的统计数据,从Weibull分布中参数的极大似然估计的角度,在形状参数未知的情况下,用随机模拟的方法给出其分位数,很好地解决了异常值的问题,并对异常值所对应的经济学含义给出了合理的解释．     

用时频峰值滤波去除多普勒频率估计野值点的方法

研究去除多普勒频率估计野值点的方法.在分析多普勒频率估计野值点的成因和特点的基础上,对含有野值点的多普勒频率估计按比例调整到适当的频率范围内,用时频峰值滤波方法对其进行处理,恢复原多普勒频率比例尺度,从而达到去除野值点的目的.实验结果表明,选择较小窗长的伪Wigner-Ville分布,一次迭代就可有效地去除多普勒频率估计中的野值点,对后续的脱靶量参数估计没有任何不利影响,方法简单可靠.     

基于微粒群和子空间的离群数据挖掘算法研究

传统的离群数据挖掘方法大多数是利用全局的观点看待离群数据,很难发现低维子空间中的偏移数据.利用微粒群算法(PSO)具有简单,容易实现并且没有许多参数需要调整等优势,提出了一种基于PSO和子空间的离群数据挖掘算法(OM-PSO).该算法首先将子空间看作微粒,根据偏离数据所在子空间的稀疏系数,采用带有变异算子的PSO算法来搜索子空间,并将子空间中的数据看作为局部偏离数据,即离群数据;最后采用离散化的天体光谱数据作为数据集,实验结果验证了该算法的有效性.     

髋关节表面置换手术导航系统的模型建立

建立了股骨头和股骨颈的数学模型,并在此基础上开发了髋关节表面置换手术导航系统模型建立功能模块.首先,基于数值优化理论,推导了股骨头和股骨颈的数学表示;然后,采用光学跟踪、数值分析和计算机图形学等相关技术,重建了股骨头和股骨颈的数字模型;实验结果表明所开发的髋关节表面置换手术导航系统模型建立功能模块能够帮助提高髋关节表面置换手术的准确性.     

On robust estimation of threshold autoregressions

We investigate the effects of additive outliers on the least squares (LS) estimation of threshold autoregressive models. The class of generalized-M (GM) estimates for linear time series is modified and applied to non-linear threshold processes. A Monte Carlo experiment is carried out to study the robust properties of these estimates. Their relative forecasting performances are also examined. The results indicate that the GM method is preferable to the LS estimation when the observations are contaminated by additive outliers. A real example is also given to illustrate the proposed method.     

基于图的空间例外检测算法研究

 空间例外检测可以发现许多意想不到的潜在知识.已有的空间例外检测算法都是在多维几何数据集合中进行的文章在图结构数据集合中发现空间例外.首先,结合空间数据的特点并基于DB(ρ,d)例外的定义提供了基于相异度的空间例外SDB(ρ,d)例外的形式化定义,然后给出了相应的空间例外挖掘算法.     

用小波变换去除多普勒频率估计野值点的方法

研究去除多普勒频率估计野值点的方法．在分析野值点统计特性及小波域分布特性的基础上，通过利用野值点和多普勒频率在小波域上系数的不同，首先对各尺度系数进行分段，然后对不同段的系数设定不同阈值进行处理，从而达到去除野值点和恢复多普勒频率的目的．实验结果表明，去除野值点后的结果与原数据的残差中不包含多普勒频率的趋势分量，对后续的脱靶量参数估计没有任何不利影响，去除了随机测量误差与野值点的影响。