非参数回归函数最近邻估计的相合性

本文研究了非参数回归函数最近邻估计、改良近邻估计的弱相合性及平均相合性,推广和改进了[1]中结果。     

NOD误差下非参数回归模型中小波估计的强相合性

研究带有重复测量的非参数回归模型:Y~((j))(x_(ni))=g(x_(ni))+e~((j))(x_(ni)),其中Y~((j))(x_(ni))是在x_(ni)处的第j次观测值,x_(ni)已知,g(·)是定义在[0,1]上的未知回归函数.基于NOD随机误差,借助于Rosenthal型矩不等式和Kolmogorov强大数定律,在较弱的假设条件下,得到关于g(·)的小波估计的强相合性,该结果推广了关于NA误差的相应结论.     

PA样本非参数回归权函数估计的强相合性

在PA样本下，讨论非参数回归模型中权函数估计的强相合性及强一致相合性。     

NQD样本下非参数回归函数最近邻密度估计的相合性

在样本为平衡的两两 NQD的情况下得到了非参数回归函数m(x) 的最近邻估计mn(x) 的相合性.得到弱相合的充分条件比在样本序列((xn,yn),n≥1)为平稳-混合情况下得到的mn(x)的弱相合性的充分条件弱.     

PA序列下非参数回归函数估计的相合性

设{εi,i≥1}为PA序列,Eεi=0,supjE(ε2j)<∞,对某个r>2及δ>0,supjEεjr+δ<∞,u(n)=O(n(r-2)(r+δ)/2δ),在PA序列误差下,讨论了非参数回归函数加权核估计的相合性.     

两两NQD样本下非参数回归函数一般权估计的相合性

两两NQD序列是一类非常广泛的列,文章利用两两NQD序列的矩不等式,讨论了基于同分布两两NQD样本的非参数回归函数一般权函数的估计,得到了两两NQD样本下固定设计非参数回归函数一般权估计的相合性.     

NQD样本下非参数回归函数最近邻密度估计的强相合性

本文在样本为平稳的两两NQD的情况下得到了非参数回归函数m(x)的最近邻估计mn(x)的强相合性.在条件不变的情况下获得了与独立情形一样的mn(x)是强相合的充分条件.     

m—相依误差回归函数加权估计的强相合性

在ｍ－相依下，研究非参数回归模型的未知回归函数权函数估计的强相合性，得到了较好的结论。     

负超可加阵列下非参数回归函数估计的相合性

对于随机误差是负超可加阵列情形,考虑了非参数回归模型中未知回归函数的估计问题。在较合理的条件下获得了未知回归函数加权估计量的强相合性。     

可加模型中低维分量近邻估计的强相合性

采用Linton & Nielsen(1995)提出的直接估计法,给出了可加模型分量的最近邻估计,并在应变量的一定的矩条件下,讨论了这种估计的强相合性及一致强相合性.     

多维近邻密度估计的Lp模强相合性

设X_1,…,X_n是i.i.d.的具有密度f(x)的d维随机变量。设S_(x,a(x))是中心在x且至少包含X_1,…,X_n中k_n个点的最小的球,则f_n(x)=R_n/(n|S_(x,a(x)|)是f(x)一个近邻估计。我们证明了:假如lim k_n/n=0,lim k_n/logn=∞以及flog~ f在任何有界Borel集上可积(或∫f'(x)dx<∞,p>1),则对任何有界Borel集A有(或p>1)。反之,如,则有∫f~p(x)dx<∞,lim n→∞k_n/n=0和lim n→∞k_n=∞。     

关于回归函数的最近邻估计的渐近性态

讨论了回归函数的最近邻估计的渐近性质。证明了回归函数的最近邻估计量是渐近正态的。     

ND样本最近邻密度估计的相合性

利用ND序列的Bernstein不等式, 研究ND样本最近邻密度估计的相合性, 给出了弱相合性、 强相合性的充分条件, 所得结果将最近邻密度估计的相合性推广到ND样本.     

LNQD样本最近邻密度估计的相合性

本文在LNQD样本下研究最近邻密度估计的相合性,给出弱相合性、强相合性、一致强相合性以及它们的收敛速度的充分条件,同时研究了失效率函数估计的一致强相合性。     

NSD样本最近邻密度估计的相合性

利用负超可加相依(NSD)序列的Bernstein不等式和Borel-Cantelli引理, 给出NSD样本最近邻密度估计和失效率函数估计的(弱)强相合性、 一致强相合性和(一致)强相合速度.     

范围最近邻查询方法研究

范围最近邻(RNN)查询检索到一个区域内每个点的最近邻(NN),它是点和连续最近邻查询的推广.本文将范围看作矩形,分析了二维空间中范围最近邻查询的性质,描述了算法处理过程,并对提出的算法进行了性能分析.     

无索引空间数据库的基于最优点的集合最近邻查找算法

针对度量空间中的无索引空间数据库,提出一种基于最优点的集合最近邻查找算法及其改进算法.采用真实数据集与人工生成的数据集对算法进行测试,评估所提出算法的效率.实验结果表明,所提算法的效率优于组最近邻居查询算法,并且对于高维数据空间,所提出的算法有较高的稳定性.由于查询区域中数据点的数量比较少,改进的基于最优点的集合最近邻...