一列非线性回归模型的LS估计

考虑一列非线性回归模型，对非线性项使用了一阶近似进而使模型转化为线性模型，得到了模型LS估计的迭代解，考察了解的渐近性质，证明了过程的可行性，最后对非线性项的特殊情形作了描述，其中1种情形可得到LS估计的精确解。     

一列非线性回归模型的LS估计

考虑一列非线性回归模型,对非线性项使用了一阶近似进而使模型转化为线性模型,得到了模型LS估计的迭代解,考察了解的渐近性质,证明了过程的可行性,最后对非线性项的特殊情形作了描述,其中1种情形可得到LS估计的精确解.     

PC准则下错误指定模型中回归系数有约束LS估计的优良性

在错误指定的回归模型和线性约束条件下，于ＰＣ准则下，比较了回归系数的有约束的最小二乘估计（ＲＬＳＥ）相对于通常的最小二乘估计（ＬＳＥ）的优良性．也对预测情形类似的问题进行了讨论．     

广义差分法一次元格式的L~2－估计

讨论了一维和二维区域上二阶椭圆型微分方程，其边值问题广义差分法一次元格式的解按Ｌ~２－范数的收敛阶，就重心对偶剖分的情形得到了最佳阶误差估计。进一步易得最大模估计，从而得到广义差分解的一致收敛性。所得结果也适用于某些二维区域外心对偶剖分的情形。     

广义差分法一次元格式的L^2—估计

讨论了一维和二维区域上二阶椭圆型微分方程，其边值问题广义差分法一次元格式的解按Ｌ＾２－范数的收敛阶，就重心对偶部分的情形得到了最佳阶误差估计，进一步易得最大模估计，从而得到广义差分解的一致收敛性，所得结果也适用于某些二维区域外心对偶剖分的情形。     

三场N—S方程非奇异解的组合有限元法分析

讨论了三场Ｎ－Ｓ方程的一种组合有限元法。通过应用和推广Ｌｏｐｅｚ－Ｍａｒｃｏｓ ＆ Ｓａｎｚ－Ｓｅｒｎａ的非线性理论，对Ｎ－Ｓ方程非奇异解的有限元逼近，证明了其存在，唯一性，并得到最优误差估计。     

一类Schrodinger型方程的Cauchy问题

证明了一类Ｓｃｈｒｏｄｉｎｇｅｒ型方程整体解的存在性，通过分析得到了这类强非线性问题解的Ｈ１（Ｒ）先验估计     

复流形上■算子的Holder和L~s估计

得到了复流形强拟凸域上方程不含边界积分的解Ｈｏｌｄｅｒ和Ｌｓ估计，从它可以得到Ｓｔｅｉｎ流形和Ｃｎ中的结果．     

误差相关线性模型回归系数估计的弱相合性

对误差相关的线性模型,本文就有约束无约束的情形分别给出了回归系数的ＧＭ估计 合的充分必要条件,并举了说明误差相关的线性模型中回归系数的ＬＳ的估计的弱相合性与均方相合并不等价。     

非线性Sobolev方程有限元逼近解及其H^1模误差估计

考虑非线性Ｓｏｂｏｌｅｖ方程，运用有限元方法研究其逼近解的误差估计，得到了解的收敛速度Ｈ＾１模估计结果。     

非线性模型的众数回归估计

本文应用众数回归方法来考虑非线性模型的估计时把调整参数当作常数, 在适当的条件下得到了估计量的 √n 收敛速度, 该结果改进了已有的众数回归估计(把调整参数当作变量)的结果. 本文还做了一定的模拟实验来证实众数回归估计的稳健性.     

非线性随机效应模型的若干统计推断

该文利用非线性随机效应模型在欧氏空间的BW几何结构，求出了固定效应参数估计的渐近性质与随机展开式。利用随机展开式，求出固定效应参数的偏差和方差的曲率表示式。     

非线性约束条件的平稳自回归模型的L1 估计

L1－估计是统计问题中一个重要估计,时间序列模型的L1－估计问题是非常重要的,这些估计量的多种性质都被研究过,许多统计学者讨论它在无约束条件下情况下的估计问题及其有关性质,且得到了较好的结果,然而,仍有一些基本问题有待解决,本文讨论了平稳自回归模型的L1－估计在非线性约束条件下的渐近性质,该约束条件是由非线性等式和不等式给出,这种估计问题属于随机优化问题,用最优化的方法克服非线性约束问题在估计研究上的困难,为估计提供了一个新的途径,并得到L1－估计问题的相关结果。     

一类离散观测下非线性随机系统估计量的局部渐近正态性

研究了一类离散观测下含未知参数的非线性随机系统的渐近性问题,对似然率函数和极大似然估计量的近似值分别进行精确度分析,建立了似然率随机域来分析似然率的渐近动态特征,并借助积分中心极限定理等数学工具分析得到似然率随机域满足局部渐近正态性的充分条件,并进一步给出Berstein-Von-Mises型有界定理。     

非线性半参数模型最小二乘近邻估计

目前对非线性半参数模型的研究尚处于初级阶段,关于非线性半参数模型的计算理论还未见实质性报道.基于非线性半参数模型最小二乘近邻估计,给出了其参数分量和非参数分量估计的构造式,导出了参数分量和非参数分量顾及二次项直接解法的非线性直接解法.基于工程实际中的非线性模型用模拟数据进行计算,证明对于非线性半参数模型最小二乘近邻估计,可采用顾及二次项的直接解法.     

Nonparametric Regression Combining Linear Structure

Nonparametric models are popular owing to their flexibility in model building and optimality in estimation. However nonparametric models have the curse of dimensionality and do not use any of the prior information. How to sufficiently mine structure information hidden in the data is still a challenging issue in model building. In this paper, we propose a parametric family of estimators which allows for penalizing deviation from linear structure. The new estimator can automatically capture the linear information underlying regressions function to avoid the curse of dimensionality and offers a smooth choice between the full nonparametric models and parametric models. Besides, the new estimator is the linear estimator when the model has linear structure,and it is the local linear estimator when the model has no linear structure. Compared with the complete nonparametric models, our estimator has smaller bias due to using linear structure information of the data. The new estimator is useful in higher dimensions; the usual nonparametric methods have the curse of dimensionality.Based on the projection framework, the theoretical results give the structure of the new estimator and simulation studies demonstrate the advantages of the new approach.     

基于Kalman滤波和LQG控制的起重机控制研究

针对双载荷轨道起重机在抬升重物时的消摆时间长、定位速度慢的问题,提出采用最优控制理论和卡尔曼滤波算法,设计线性高斯二次型(Linear Quadratic Gaussian, LQG)控制器并对其进行残余振动抑制。首先,运用Lagrange方程建立起重机系统的非线性动力学方程,其次,运用雅可比矩阵将非线性方程线性化,得到系统的状态空间方程;通过证明线性系统的可控性和可观性,选择合适的权函数,设计最优二次型线性调节器(Linear Quadratic Regulator, LQR)和最优状态估计器来得到LQG控制器,通过建立相关模型的Simulink控制系统仿真表明：设计的LQG控制器能有效衰减残余振动;通过与PID控制器对比分析,所提出的LQG控制器能更有效衰减残余振动幅值,振动的超调量更小,所需的稳态时间更短,验证了该控制策略的有效性和可行性。     

带有线性约束的指数族非线性回归模型

给出了带有线性约束的指数族非线性回归模型的最大似然估计量的随机展开,所得到的随机展开式由相互独立的正态变量以及曲率立体阵表示,使用简洁方便.     

SQP 优化的最大似然波达方向角估计

为快速实现波达方向角( DOA: Direction Of Arrival) 的精确估计, 提出了应用序列二次规划( SQP:Sequence Quadratic Program)的最大似然DOA 估计算法。给出了用于DOA 估计的最大似然函数, 将参数估计问题转化为非线性函数优化问题; 并利用SQP 优化算法对似然函数的求解进行优化, 得到DOA 的估计值。仿真结果表明, 该算法可用较少的计算时间实现对似然函数的优化求解, 同时保留了最大似然估计的渐进无偏估计性能, 与遗传算法、粒子群算法相比, 不仅具有更快的寻优速度, 而且具有更高的收敛精度。