随机函数的多项式最佳逼近与线性回归模型的非线性推广

将泛函分析的逼近论方法运用于随机函数空间,而在此观点下,给出线性回归模型理论的非线性推广,且得到其回归(最佳逼近)系数与回归(最佳逼近)误差的强相合估计.     

几个导出模型的BLU估计间的关系的研究

首先给出分块奇异模型的一种新的导出模型,得出其M2X1β的BLU估计;讨论分块模型与几个导出模型的BLU估计之间的关系,给出这几个分块导出模型的M2X1β的BLU估计相等的充要条件.     

Q-对称熵损失函数下的Poisson分布参数倒数的估计

研究在Q-对称熵损失函数下,Poisson分布参数倒数的估计,得出在Q-对称熵损失下,形式的一类估计的可容许性和不可容许性,并给出可容许估计的充要条件.     

用串行干扰消除算法提高同频组网信道估计精度

为降低TD-SCDMA系统同频组网时邻区干扰对信道估计精度的影响,提出了一种逐个邻区串行干扰消除的信道估计算法.算法先消除本小区用户的信号,然后依次对每个邻区进行信道估计,重构其中的强干扰用户信号,再逐个从接收训练序列中加以消除,最后用串行消除各个邻区干扰后的接收训练序列对本小区用户进行信道估计.仿真结果表明,采用串行干扰消除的信道估计方法信道估计误差较低,将其用于上行链路的联合检测接收机,解调性能约提升2 dB.因此,所提出的信道估计算法,可有效消除邻区强干扰用户对信道估计精度的影响,从而提高了同频组网时系统的性能.     

对称熵损失下两个指数总体均值的序约束估计

在对称熵损失下, 讨论了样本容量相等时, 两个指数总体均值λ_i(i=1,2)的约束极大似然估计i的险, 其中约束为λ₁≤λ₂. 证明了λ₁与λ₂具有比经典极大似然估计X₁与X₂ 更小的风险, 并给出了当λ₂/λ₁→∞和n→∞时,λ_i对X_i(i=1,2)渐近功效e(λ_i,X_i)的值.     

含一个解释变量的不独立变量含误差模型

变量含误差模型是一类常见的统计模型,国内外的许多学者在这方面都进行了大量的研究,并且得到了一些很完美的结果,但大量工作是有关独立变量含误差模型的研究.讨论了一类含一个解释变量的不独立变量含误差模型,完成了真值x的估计,并给出了相应的参数估计.     

基于岭估计的最优预测与经典预测的最优性判别

针对有偏估计的预测问题 ,以岭估计为基础 ,以离差矩阵MDE(MeanDispersionError)和广义风险函数为判别准则 ,对广义线性回归模型 {y =Xβ +e ,e～N(0 ,σ2 W ) }的最优预测量与经典预测量的最优性判问题进行了讨论。借助矩阵不等式的一些性质 ,获得在离差矩阵判别准则和风险函数判别准则下判断两类预测量最优性的充要条件。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     

回归函数改良核估计的收敛速度

回归函数的核估计在通常情况下需要核函数具有有界支撑 ,随机变量Y要求具有l阶矩 ,其中l>1。在核函数改进为包括无界支撑甚至不可积 ,并且去掉了对Y的矩的其它要求的情形下 ,讨论了回归函数改良核估计在完全样本及在删失样本情形下的收敛速度 ,得出了与原来情形同样的结论 ,推广和改进了文献 [1- 2 ]的相应结果     

非正则分布族中参数估计的最高相合阶

将相合阶问题引入到了双参数双边截断分布族与具有一个跳跃点的分布族中,在分布族具有某种光滑性质的条件下,考察了这2个非正则分布族中参数估计的最高相合阶.从而为讨论这类分布族中参数估计的有效性问题奠定了基础.     

一种基于遗传算法的数据预处理组合方法

在数据挖掘的众多数据预处理方法中，要根据不同的数据背景及特征准确的选用不同的处理方法是非常困难的。为此，提出了一种基于最小二乘法原理和遗传算法的数据预处理组合方法，该方法综合了各种算法的估计结果。实践证明，这种方法大多数情况下通用并且可靠性很高。