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.     

线性模型的新的两参数估计

基于最小二乘估计在复共线性存在时的不足,提出线性模型参数估计的一种新方法——新的两参数估计.首先,给出该估计的若干条基本性质——最小二乘估计的线性变换、具有有偏性、压缩性和可容许性.其次,在均方误差矩阵的意义下,证明该估计优于最小二乘估计和旧的两参数估计.     

广义最小二乘限定记忆参数辨识方法与仿真研究

最小二乘参数辨识法可用于动态系统、静态系统、线性系统、非线性系统的参数估计.可用于离线估计,也可用于在线估计.最小二乘辨识法简单、实用,其递推算法收敛可靠,并且当模型噪声为白噪声时,可得到无偏、一致和有效的估计,从而得到广泛的应用.但当模型噪声是有色噪声时,最小二乘参数估计不是无偏、一致估计,并且随着数据的增长,最小二乘递推辨识算法将出现数据饱和现象,以致递推算法慢慢失去修正的能力.广义最小二乘递推算法解决了模型噪声是有色噪声时,最小二乘参数估计的无偏性和一致性问题,并能给出噪声模型的参数估计值,但依然存在数据饱和问题.论文在广义最小二乘递推算法的基础上引入限定记忆方式,获得了广义最小二乘限定记忆参数估计递推算法(RFMGLS),解决了广义最小二乘递推算法的数据饱问题.仿真结果表明了RFMGLS算法的有效性.     

关于最小二乘法的参数估计问题探讨

数学建模中经常要用最小二乘法进行参数估计,本文介绍了用最小二乘法进行参数估计的原理,以及在计算机上如何估计参数.     

关于最小二乘法的参数估计问题探讨

数学建模中经常要用最小二乘法进行参数估计,本文介绍了用最小二乘法进行参数估计的原理,以及在计算机上如何估计参数.     

复共线性下的主成分全最小二乘估计

针对最小二乘法在参数估计中的局限性,在多维解释变量存在复共线性时,提出主成分全最小二乘估计,避免奇异矩阵求逆的问题.经多组大量测试,计算得到的回归系数的平均绝对偏差均较小,且表现稳定,其效果明显地优于最小二乘估计和全最小二乘估计.     

ADCINAR(1)模型的加权条件最小二乘估计

用加权条件最小二乘方法, 对基于相依计数序列的一阶整值自回归模型(ADCINAR(1))进行参数估计, 给出参数估计的表达式及其渐近分布, 并推导模型的高阶矩、 高阶累积量、 谱密度和双谱密度. 数值模拟结果表明, 将加权条件最小二乘估计、 条件最小二乘估计和Yule Walker估计进行比较, 验证了加权条件最小二乘方法的有效性.     

增广最小二乘限定记忆参数估计算法与仿真

最小二乘法可用于动态系统、静态系统、线性系统和非线性系统的参数估计,可用于离线估计,也可用于在线估计;文章在增广最小二乘递推算法的基础上引入限定记忆方式,获得了增广最小二乘限定记忆参数估计递推算法(RFMELS),解决了增广最小二乘递推算法的数据饱和问题,仿真结果表明了RFMELS算法的有效性.     

线性不等式约束下一类线性模型参数估计的渐近解及其收敛性

利用交替迭代算法, 研究在线性不等式约束下具有相同参数的两个线性模型在误差方差未知条件下的参数估计问题, 得到了其参数的最小二乘估计序列及其渐近解, 并利用多元多项式方程组解的个数定理和不动点定理, 证明了此估计序列是依概率1收敛的.     

基于Liu估计的混合系数线性模型的一类有偏估计

针对连续测量数据下混合系数线性模型的复共线性,在Liu估计的基础上提出了一类新的有偏估计,称为s-d-k估计.研究了新估计的相关性质,并在均方误差矩阵准则下,给出了新估计优于最小二乘估计、Liu估计、新的两参数估计的充分条件.最后通过蒙特卡罗模拟方法验证其优良性.     

基于改进进化策略的线性参数估计方法

针对线性回归模型,在最小二乘意义下,提出一种基于改进进化策略的线性参数估计方法并用仿真实例检验其有效性.该方法是将进化策略与最小二乘法相结合并且对算法中的变异算子作了相应改进.算法参数估计精度较高,收敛速度快,自适应性强,能有效处理线性回归参数估计问题.     

非齐次等式约束下奇异型线性回归模型的广义条件岭估计

文章对线性回归模型参数有偏估计做进一步研究,提出了在非齐次等式约束下奇异型线性回归模型参数的广义条件岭估计,并给出它的一些性质,而且证明了在一定条件下,在均方误差阵和广义均方误差意义下,广义条件岭估计都优于约束最小二乘估计.最后,通过实际数据进行实证分析,得到了取不同岭参数矩阵时对应的广义条件岭估计及其MSE,验证了广义条件岭估计优于约束最小二乘估计的充分条件的正确性.     

一种用于室内定位的线性规划算法

针对基于ToA定位中存在的信标节点较少和发送时间不能提前预知的问题,提出了一种新的应用于无线传感网络室内定位的线性规划算法.通过考虑测量值的最小平均绝对值误差,利用线性逼近方法,将一个复杂的、非凸的室内定位问题转换为一个简单的线性规划问题,并用迭代求精的方法求出最优解.仿真结果表明,提出算法计算复杂度低,收敛速度快,可以快速地求出未知节点的坐标;通过和已有的定位算法相比,提出算法在信标节点较少的情况下,仍能保持很好的定位精度,利用较少的节点资源达到比已有算法更好的定位性能.     

线性回归模型的一类新约束型LIU估计

针对带线性约束型的回归模型复共线性问题,提出了一种新估计,称之为修正约束型LIU估计,给出了新估计的性质.在均方误差准则基础上证明了在一定条件下,修正约束型LIU估计优于最小二乘估计、岭估计、修正岭估计和约束型LIU估计,最后讨论了新估计的可容许性.     

聚集数据线性模型参数聚集Liu估计的相对效率

 当线性模型中的变量间存在复共线性时,常用有偏估计代替无偏估计。其中广义岭估计是研究较多的一种有偏估计。很多实际问题只能观测到聚集数据。本文给出了聚集数据线性模型聚集Liu估计的定义,提出了聚集Liu估计相对于最小二乘估计的两种相对效率,并得到这两种相对效率的上界;给出了聚集Liu估计相对于Peter-Karsten估计的2种相对效率及其上界。本文提出的聚集Liu估计,既能保证估计参数的稳定性,又能保证估计参数的近似无偏性,从这个意义上说,该估计在某种程度上优于聚集广义岭估计。     

多元加权约束线性回归的影响分析

讨论了多元加权约束线性回归中最小二乘估计的影响问题 ,定义了度量影响的 3种诊断统计量 ,进一步推广和发展了已有文献的一些结果     

求解多元多重线性回归系数的BP算法

提出了一种基于SCNN的求解多元线性回归系数的改正的BP算法.该算法的基本思想是先将回归系数的估计转化为求相应线性方程组的最小二乘解;然后用BP算法求得方程组系数矩阵的左逆阵,得到方程组的解.算法中不存在除法运算,且便于在计算机上实现.     

回归系数的线性有偏估计

给出回归系数的最小均方误差线性有偏估计、线性有偏估计优于最小二乘估计的充要条件及线性有偏估计为可容许估计的充要条件,同时给出文献中未涉及的一些有偏估计．     

一种线性比式和问题的对偶界方法

对一般线性比式和问题（P）提出了一种全局优化算法,此方法利用拉格朗日对偶中的弱对偶定理建立原问题（P）的线性松弛规划,运用分枝定界方法只需解一系列线性问题。从理论上证明了算法能收敛到线性比式和问题的全局最优解。数值计算结果表明提出的方法是可行的。     

一类线性回归模型的参数估计

考虑一类多总体线性回归模型,其特点是它们均具有部分相同回归系数.采用各个子总体内样本利用最小二乘方法估计回归参数,然后依据样本容量进行加权估计公共回归系数,最后把公共回归系数回代到各个线性回归模型,利用最小二乘方法估计不同部分系数.理论结果表明,此种方法得到的估计量,不仅是无偏估计,而且方差比用单个子总体样本得到的最小...