泛化误差的三种交叉验证估计方法的比较

在泛化误差（GeneralizationError）的估计中,交叉验证（Cross—validation）是最常用的方法．基于均方误差准则下,采用生物信息数据比较了泛化误差的5折、10折交叉验证和组块3×2交叉验证估计,实验证明组块3×2交叉验证比5折、10折交叉验证方法更好．     

基于均衡7×2交叉验证的模型选择方法

交叉验证策略广泛应用于分类问题的模型比较和模型选择中．文章提出一种均衡7×2交叉验证并给出了相应的构造方法．文章以分类回归树（CART）为考察模型,对比了采用均衡7×2交叉验证、组块3×2交叉验证、标准5折和10折交叉验证在模型选择中的性能．模拟结果表明,在小规模数据集上,均衡7×2交叉验证方法选择到真模型的概率明显高于其余三种交叉验证的选择方法．     

基于交叉验证的神经网络实现

针对神经网络BP算法存在收敛速度慢、学习数据有限和网络学习过程易陷入局部最小值等问题,提出对标准BP算法相关参数进行调整并选择合适的隐藏层个数的方法,然后采用交叉验证方法对BP算法做了再改进。仿真结果表明基于交叉验证的BP算法优于传统的BP算法。     

基于噪声方差估计和模型参考的传感器动态补偿

针对采用最小二乘法(least-squares, LS)无法得到传感器动态补偿器参数无偏估计的问题,提出了一种基于输入信号噪声方差估计和模型参考的无偏辨识算法.该算法先通过小波变换估计噪声的方差,再由估计得到的方差,通过偏差消除的递推最小二乘法,对补偿器的参数进行无偏辨识.同时,利用参考模型建立卡尔曼滤波器,消除高频噪声对测量精度的影响.在薄膜热电偶上进行了仿真研究,以验证该方法的有效性.结果表明,算法降低了对输入辨识信号的要求,即不再必须为白噪声,具有较强的实用性.     

几种交叉验证检验的可重复性

文章基于UCI数据库中10个常用的数据集对用于算法性能对照时五种交叉验证检验方法的可重复度量进行了比较研究，实验结果表明K折交叉验证（K=2，5，10）t检验随着折数的增大可重复性增大，在相同的计算复杂度下5×2交叉验证F检验和10折交叉验证t检验在大多数情形下有比5×2交叉验证t检验更高的可重复性．     

基于估计方程估计的单指标模型异方差检验

针对单指标模型的异方差检验问题,将估计方程估计与完全非参方差函数检验相结合,给出了一种新的检验形式.利用估计方程法得到单指标模型中未知指标参数的估计值,再根据局部线性拟合给出单指标模型联系函数的估计形式,进一步由完全非参方差函数方法构造检验统计量,对模型进行异方差检验.数值模拟部分以检验统计量的经验水平和经验功效为评价指标,实验结果表明,基于估计方程估计比基于梯度外积估计和基于最小平均方差估计的完全非参方差函数检验方法更有效.实例分析部分采用汽车数据集,同样验证了这一检验方法的显著性.     

基于交叉验证的平滑系数确定研究

指数平滑预测法关键在于平滑系数确定,提出一种基于交叉验证的平滑系数确定办法,将简单交叉验证与n重交叉验证结合确定平滑系数,并应用确定的系数,对全国城镇居民平均收入进行指数平滑预测,取得较好的预测效果.     

基于交叉协方差子空间估计的前景检测方法

提出了一种基于交叉协方差子空间估计的背景建模方法,用以实现复杂场景下的前景检测.基于交叉协方差的主成分分析方法可以保留更多的图像协方差信息,因此非常适合用于背景模型的构建.本文首次将基于交叉协方差的二维主成分分析方法引入至背景建模领域,并且提出了相应的增量更新算法来实现背景的自适应估计.此外,本文考虑了前景的稀疏性及连续性,并将其合理应用于前景检测过程中.定量实验和定性分析表明,本文提出的方法具有较强的鲁棒性,可以实现复杂场景下的准确背景建模.      

基于改进交叉验证算法的支持向量机多类识别

如何确定支持向量机最佳参数用以训练得到最优分类器,使之对未知样本同样具有良好的分类效果,一直是问题解决的关键.针对传统的交叉验证算法仅仅从全局的角度寻找极值点作为最优参数,而忽略了局部信息使得分类效果受到限制问题,提出一种改进的交叉验证算法,在考虑全局极值点的同时,也记录了局部极值点,求取全部极值点对应参数的平均值,由此得到最优参数.实验结果表明,该算法可以有效地确定最优参数,分类准确率有所提高.     

基于交叉验证的逐步回归结合RBF神经网络在QS AR中的应用

提出将交叉验证方法和逐步回归方法相结合实现建模变量的筛选,与RBF网络相结合用于建立定量构效关(QSAR)研究的数学模型,并用于不对称有机磷的QSAR研究.结果表明该方法是有效的.     

LS估计的抗差性分析

依据LS估计的分解，对LS估计的抗差性进行了分析。通过观测数据协方差矩阵的改进，建立了一种抗差参数估计方法。     

半参数估计及其与最小二乘估计的比较与分析

介绍了半参数回归分析原理,初步探讨了半参数模型在测量数据处理中的应用,并通过算例,将半参数回归分析结果与经典最小二乘估计结果进行了对比分析,分析结果表明半参数估计在测量系统误差分离方面具有良好效果.说明半参数回归分析在现代测量中有较好的应用前景.     

Minimax线性估计中的两个影响度量

本文给出了度量数据对Minimax线性估计影响大小的两个统计量:方差比和A—P统计量.用它们研究了数据对Minimax线性估计的影响问题,建立了两组数据的联合影响和单组数据影响的关系。     

均方误差准则下的几乎无偏Stein岭型主成分估计的优良性

将Stein岭型主成分估计利用几乎无偏估计思想进行优化,得到几乎无偏Stein岭型主成分估计.并考虑均方误差准则,得到了几乎无偏Stein岭型主成分估计优于最小二乘估计、Stein岭型主成分估计的充分条件.并通过数值实验证明在给定k或p时,几乎无偏Stein岭型主成分估计的均方误差与Stein岭型主成分估计的均方误差较为接近,且远大于最小二乘估计的均方误差.     

连续时间下非参数回归模型的回归函数核估计量的一致均方收敛速度

研究了连续时间下非参数回归的回归函数核估计量的收敛速度，给出了一定条件下回归函数估计量rt(x)的一致均方收敛速度，详细证明了两组条件下rT(X)分别满足：E(supx∈S|rT(X)-r(x)|)^2=0(T^-1/2)和E(supx∈S|rT(x)-r(x)|)^2=0(lnT)^2/S T^-1/2),其中r(x)表示未知的回归函数。     

基于最小均方误差估计的RFID室内定位算法

近年来基于射频识别（RFID）的室内定位技术得到了大量的关注及广泛的应用.由于无法利用目标标签的先验信息,现有的基于极大似然估计的室内定位算法性能存在进一步提高的可能.文中提出使用标签位置分布统计特性作为先验信息来提高定位精度,将基于到达时间（TOA）的二步加权最小二乘法从极大似然估计扩展到最小均方误差估计,并推导了基于最小均方误差估计的TOA定位方法的克拉美罗下界（CRLB）和理论方差.理论分析和仿真结果都表明该算法优于极大似然估计定位算法.     

线性等式约束的奇异线性模型的Liu型估计

考虑带等式约束的奇异线性模型的参数估计,为了克服复共线性问题,提出一个新的Liu型估计;同时给出这个估计的一些性质,并且得到了这个新的Liu型估计在均方误差矩阵准则(MSEM)下优于约束最小二乘估计的充要条件;得到在均方误差(MSE)准则下新估计优于约束最小二乘估计的充分条件.     

LR估计的一点注记

证明了ＬＲ估计是一个非线性有偏估计，并得到了一个重要的推论。     

一类刻度指数分布族参数的Bayes估计

在刻度平方损失函数下,研究了一类刻度指数分布族参数的估计,得到了刻度参数的Bayes估计的一般形式,并研究了它的可容许性,最后在两种给定先验分布下得到了刻度参数的正常Bayes估计和广义Bayes估计的精确形式.在此基础上可以对刻度参数进行进一步的统计推断.     

压缩主成分估计的一些性质

讨论了压缩主成分估计的一些性质，证明了在一定条件下，此估计比最小二乘估计有更小的广义均方误差并且在PC准则下也优于最小二乘估计．对Y的预测量做了比较。