基于自适应双正则化支持向量机的群体基因选择

通过结合部分自适应弹性网络惩罚和hinge损失函数,提出了一种能同时进行微阵列分类和基因选择的自适应双正则化支持向量机模型,并证明了该支持向量机具有自适应群体基因选择性能.     

稀疏对数回归及其在基因选择中的应用

针对微阵列分类中涌现出的小样本、超高维问题,提出了一种同时进行基因选择和分类的稀疏对数回归学习机.结合部分自适应弹性网络惩罚与对数似然损失函数,提出了稀疏对数回归学习机,证明了该学习机能激励自适应群体基因选择效应.     

分位数回归模型中的两步变量选择

对于高维分位数回归模型提出了一种两步变量选择方法,这里协变量的维数pn远远大于样本量n.在第一步中,使用e1惩罚,并且证明第一步由LASSO惩罚所得到的惩罚估计量能够把模型从超高维降到同真实模型同阶的维数,并且所选模型能够覆盖真实模型.第二步对第一步所得模型使用自适应的LASSO惩罚来剔除冗余变量.在一些正则性条件下,证明了此方法具有变量选择的相合性.还进行了数值模拟和实际数据分析,用来表明此方法在有限样本下的表现.     

分位数回归模型中的两步变量选择（英文）

对于高维分位数回归模型提出了一种两步变量选择方法,这里协变量的维数p_n远远大于样本量n.在第一步中,使用l_1惩罚,并且证明第一步由LASSO惩罚所得到的惩罚估计量能够把模型从超高维降到同真实模型同阶的维数,并且所选模型能够覆盖真实模型.第二步对第一步所得模型使用自适应的LASSO惩罚来剔除冗余变量.在一些正则性条件下,证明了此方法具有变量选择的相合性.还进行了数值模拟和实际数据分析,用来表明此方法在有限样本下的表现.     

纵向缺失数据下高维部分线性回归模型的变量选择

针对纵向单调缺失数据下高维部分线性回归模型的变量选择,提出了逆概率加权光滑阈估计方程变量选择方法,其中非参数分量使用样条估计.在适当正则条件下,证明了该变量选择方法具有Oracle性质,并通过模拟研究验证了所提出方法的有限样本性质.     

基于KP= L2D2S2 矩阵分解的多变量自适应控制

本文针对矩阵分解的多变量自适应控制,提出了具有噪声与未建模动态系统的鲁棒自适应控制问题.在高频增益矩阵分解的基础上,得到等价自适应控制律,通过重新定义虚拟规范化信号,对多变量的MRAC方案进行了理论分析,并证明了闭环系统的稳定性和收敛性.最后仿真验证了该方案是可行的.     

基于M-估计单指标模型的变量选择

结合M-估计与Adaptive Lasso方法用于实现单指标模型(SIM)的变量选择.用B-样条基函数逼近联系函数,构造惩罚估计方程.进一步建立并证明了所提变量选择方法具有oracle性质.随机模拟和实例分析验证了所提方法在有限样本时的表现,证实了所提方法的优良性.     

基于Kp=L2D2S2矩阵分解的多变量自适应控制

本文针对矩阵分解的多变量自适应控制,提出了具有噪声与未建模动态系统的鲁棒自适应控制问题.在高频增益矩阵分解的基础上,得到等价自适应控制律,通过重新定义虚拟规范化信号,对多变量的MRAC方案进行了理论分析,并证明了闭环系统的稳定性和收敛性.最后仿真验证了该方案是可行的.     

带有缺失数据线性回归模型的变量选择

通过惩罚估计方程,对响应变量随机缺失下的线性回归模型,给出了一个变量选择方法,并结合局部二次逼近,得到了一个迭代算法,证明了此变量选择方法是相合的并且所得估计达到最优的参数收敛速度,最后通过数据模拟研究了此方法的有限样本性质．     

基于弹性网约束的稳健变量选择

大数据时代下收集到的数据常含有异常值或呈现尖峰厚尾以及变量之间具有较强的相关性，针对此问题，结合秩回归和自适应弹性网(Adaptive Elastic-net )提出了一种高效稳健的变量选择方法。此方法的最大优点在于不仅能够有效处理协变量之间的强相关性而且还能克服多重共线性问题，同时能抵抗厚尾分布或异常值的影响，实现稳健的变量选择。在数值计算方面，采用二次近似和牛顿迭代算法以获得新变量选择方法的稳定数值解，仿真实验表明：新提出的方法比现有方法表现更好，特别是对于厚尾分布或异常值的情况。最后，通过对中国重要的股票市场指数——中证100指数的跟踪，进一步表明该方法在有效样本下具有良好的表现。     

基于spike-and-slab先验分布的贝叶斯变量选择方法

针对超高维数据,提出一种基于spike-and-slab先验分布的超高维线性回归模型的贝叶斯变量选择方法。该方法继承了弹性网方法和EM算法的优点,以较快的收敛速度来获得稀疏的预测模型。特别地,针对系数的spike-and-slab先验分布设置上,该方法允许系数从不同坐标借力、自动适应已知数据的稀疏信息以及进行多重调整。通过与常用方法的比较,证明了该方法的准确性和有效性。     

右删失数据下的限制平均寿命问题

在右删失数据下构造了“新”的随机变量,在删失变量分布已知的条件下,该变量的样本均值是限制平均寿命的方差有限的无偏估计; 在删失变量分布未知的条件下,利用该变量得到的样本均值是限制平均寿命的相合估计.数值模拟说明所提出方法的有效性和可行性.     

船用汽轮机变工况的遗传粒子群优化智能控制方法研究

为提升船用汽轮发电机组大幅变工况时的控制精度和鲁棒性,以船用汽轮机调节系统各部件的模块化数学模型为基础,建立汽轮机组数字电液(digital electric hydraulic,DEH)闭环模糊比例、积分、微分(proportion integration derivative,PID)控制模型;融合遗传算法的选择、交叉、变异和自适应递减权重法,提出遗传粒子群智能优化算法,并结合标准测试函数验证提出算法具有较高的收敛速度和精度;基于遗传粒子群智能优化算法建立汽轮机变工况自适应智能模糊PID控制模型,实现模糊PID的量化因子与比例因子最优化设计,进而开展船用汽轮发电机组大幅变工况动态特性及扰动因素影响分析,结果表明本文建立的自适应智能模糊PID控制模型具有更好的控制稳态性能与鲁棒性,为船用汽轮机组大幅度变工况智能控制优化设计提供了有力的技术支撑。     

纵向数据下部分线性模型基于经验似然的变量选择

针对纵向数据下的部分线性模型, 建立基于经验似然方法的变量选择的信息准则, 证明新变量选择方法的渐近性质, 并模拟研究比较参数信息准则与基于经验似然的信息准则的有限样本性质. 结果表明, 基于经验似然方法的信息准则克服了参数似然函数有时较难得到的困难, 模型选择效果较好.     

基于自适应流形正则化自表示的无监督特征选择算法

针对基于流形正则化自表示(MRSR)的无监督特征选择算法直接从原始的样本空间构造相似矩阵可能会 导致重构空间中样本的相似性描述得不够准确的问题,提出了基于自适应流形正则化自表示的无监督特征选择 (AMRSR)算法。 基于自适应流形正则化自表示的无监督特征选择算法在 MRSR 算法的基础上通过对相似矩阵施 加概率最近邻约束将相似矩阵的学习嵌入到优化过程中,在重构空间中自适应地学习样本的相似性,使得在每一 次迭代中获取更加精确的样本局部几何流形结构,从而选择具有代表性且保持局部几何流形结构的特征。 最后, 在四个公开数据集上进行了大量的对比实验,通过将算法的特征选择结果用于 K-means 聚类并采取两种常见的聚 类评价指标:聚类精确度和归一化互信息评价聚类效果。 实验结果表明,AMRSR 算法与现有的一些算法相比有更 高的聚类精确度和归一化互信息,进一步表明该算法特征选择效果更好。     

ASBS适应行为稳定性分析

研究了基于服务的自适应软件系统的适应策略构建中适应行为的稳定性分析问题.主要采用了基于反射Petri网模型的分析方法,在反射Petri网模型中系统的业务行为与适应行为在不同的层次分离建模,适应行为模型相对业务行为模型透明.结合系统的反射Petri网模型提出了适应行为稳定性的具体定义,给出了适应策略中适应规则的建模方法以及应用反射Petri网模型对系统适应行为进行稳定性验证的方法,并通过一个实例对方法的可行性以及有效性进行了说明.     

中国教育质量与收益率的微观计量分析

运用微观计量经济学的分析方法,估计了我国的个人教育收益率.在研究中,从样本选择性偏差及异质性着手,论证了普通最小二乘法与传统工具变量法所得估计量的非一致性,进而采用Heckman备择模型以弥补上述两种方法的缺陷,模型中构建名校效应变量以表示教育质量对本科毕业生工资收入的影响.研究结果表明,中国劳动力市场上的个人教育收益率比20世纪90年代有显著提高.