一种总体最小二乘算法及在Volterra滤波器中的应用

针对输入输出观测数据均含有噪声的滤波问题，提出了一种鲁棒的总体最小二乘自适应算法．该算法利用滤波器的增广权向量的瑞利商为损失函数，导出了其自适应迭代公式，并利用随机离散学习规律对权向量模的分析进行算法梯度修正，提高了算法的噪声鲁棒性，而且使得算法简单，稳定性好，收敛精度高．将该算法应用于Volterra滤波器，可使滤波器在非线性系统中的信噪比达到10dB，在学习因子为0．01时，算法仍然能够保持良好的收敛性．仿真结果表明，即使在高噪声环境或使用较大学习因子的情况下，该算法的鲁棒抗噪性能和稳态收敛精度均明显高于其他总体最小二乘方法．     

自回归AR模型整体最小二乘分析

主要讨论时间序列的自回归模型AR（p）的参数估计问题,列出常用的普通最小二乘估计和整体最小二乘估计方法,列出算例进行比较分析。     

自回归模型参数的最小二乘估计

利用约束规划及计算数学理论 ,讨论自回归模型参数的精确估计方法 ,给出求解参数的方法 ,计算量约为 O(N)个运算量 .此估计与原来的损失样本信息条件下的最小二乘估计法求解的工作量 O(N)基本等价 ,因此是一个可行的精确估计方法 .     

通过极小化参数估计误差协方差阵的递推最小二乘算法

基于卡尔曼滤波原理,通过极小化参数估计误差协方差矩阵,导出了递推最小二乘辨识算法.仿真例子说明了算法的有效性.     

多k类广州压缩最小二乘估计

提出了线性模型中回归多数的多k类广州压缩最小二乘估计的概念,在均方的意义下,给出了该估计一致优于最小二乘估计的充分条件。     

基于增量最小二乘算法的配电网状态估计

利用配电网实时量测数据和规格化的负荷历史数据,以各负荷的有功功率和无功功率的增量作为状态量,使状态量与目标函数近似线性关系,在小区间内迭代线性最小二乘法逐次逼近非线性关系,在线估计配电网用户的实时负荷。通过IEEE典型算例验证该方法可行。     

线性回归模型的广义刀切最小二乘估计

在误差为相依的情况下,讨论了线性回归模型的刀切最小二乘估计与广义刀切最小二乘估计。在均方误差意义上,广义刀切最小二乘估计优于刀切最小二乘估计,并利用算例进行了验证。     

一类约束最小二乘估计的神经网络算法

提出一种求解最小二乘问题的新算法,该算法通过特定函数的饱和工作方式,保证最小二乘问题对约束条件的满足,同时实现方差最小化,克服罚函数法难以得到精确解的缺陷。给出了双边约束最小二乘问题存在最优解的充分必要条件,同时证明最优解的唯一性。该算法容易用连续型神经网络实现,网络中神经元状态轨迹收敛到最小二乘问题最优解相对应的平衡点。该算法具有指数收敛速率。     

约束泛最小二乘估计及其Cook距离

通过求极值给出了普通线性模型y=Xβ+e在约束Aβ=b下的泛最小二乘估计∧β*u=∧βu-(X’PX+kQ)-1A’{A(X’PX+kQ)-1A’}-1(∧Aβu-b)并得到其Cook距离的一个简化公式。     

多κ类广义压缩最小二乘估计

提出线性模型中回归系数的多k类广义压缩最小二乘估计的概念．在均方误差的意义下，给出了该估计一致优于最小二乘估计的充分条件．     

回归系数的混合估计与最小二乘估计的相对效率

本讨论线性回归模型中,回归系数的混合估计与最小二乘估计的相对效率问题,研究了两种不同相对效率的上、下界。     

一种稳定的总体最小二乘自适应滤波算法

针对输入输出观测数据均含有噪声的滤波问题,提出了一种稳定的总体最小二乘自适应算法.该算法以系统的增广权向量的瑞利商与增广权向量最后元素的约束项的和作为总损失函数,利用梯度最陡下降原理导出权向量的自适应迭代算法,并通过对算法稳定性的分析确定了算法中学习因子的取值范围.所提出的算法稳定,计算复杂度低,既没有平方根运算,也不需要标准化处理.仿真实验表明,该算法的收敛性能、鲁棒抗噪性能和稳态收敛精度均明显高于同类其他总体最小二乘算法.     

随机场回归系数的最小二乘估计

论述了随机场回归系数的最小二乘估计，其中包括格子点随机场回归数的最小二乘估计，连续参数平稳过程回归系数的最小二乘估计、连续参数向量随机场回归系数的最小二乘估计。     

基于最小二乘抗差估计的飞机噪声距离特性回归分析

 飞机噪声距离特性曲线是进行飞机噪声环境影响评价的重要资料,然而现阶段只能通过实测获得测量数据拟合得到。本文针对进行飞机噪声距离特性拟合时,有效感觉噪声级L_EPN和测点到飞行轨迹最短距离的测量数据存在误差的问题,采用抗差理论来平衡数据之间的离散性,选取最小二乘抗差估计方法和IGGI权函数方案,根据飞机噪声距离特性曲线的分布形式,拟合各系数,得到起飞着陆噪声距离特性曲线。以某型飞机起飞着陆为实例,验证了该方法的可行性。     

自回归模型参数的普通最小二乘估计

将线性回归模型参数的普通最小二乘估计推广到12种自回归模型的参数估计。     

自回归模型参数的加权最小二乘估计

将线性回归模型参数的加权最小二乘估计推广到12种自回归模型的参数估计。     

最小二乘与最小一乘

最小二乘与最小一乘是回归分析中两个重要的估计方法,在这篇文章中,我们将通过线性回归给出它们的定义,并给出它们的优缺点,希望能为使用者提供方便。     

协方差函数的待定参数对最小二乘拟合推估精度的影响

最小二乘拟合推估法的关键是要确定经验协方差函数,本文分析了协方差函数的待定参数对推估结果及其精度的影响,在此基础上经过实际计算,对协方差函数的待定参数的确定提出了自己的看法。     

复参数最小二乘估计方法

提出了基于复数U-D分解的复参数最小二乘估计方法。在传统的加权遗忘因子法的递推算法中,方差矩阵P(k)由于衰减很快而极易失去正定性.为了保证参数估计的收敛性,利用复数U-D分解,将方差矩阵P(k)进行U-D分解,将P(k)矩阵的递推计算已转化为U(k)和D(k)的递推计算问题,保证了数值计算的稳定性.