潜半参数回归模型的变量选择

作者提出了潜半参数回归模型及其估计方法.该方法应用双重判罚,使得在估计非参数的同时可以对参数部分进行参数估计和变量选择.在分析过程中作者还得到了潜变量的估计值.     

基于GEMS算法的潜变量高斯图模型结构学习

考虑了潜变量高斯图模型下的结构学习(模型选择)问题,即存在潜变量时可观测变量间相互关系的估计问题.简要介绍了高斯图模型及潜变量高斯图模型下的LVglasso方法,给出了GEMS(广义期望模型选择)算法结合LVglasso下潜变量图模型选择的算法步骤.通过模拟,发现GEMS结合LVglasso方法在模型选择速度上比EM(...     

基于逐步搜索EMS算法的M2PL模型潜变量选择

介绍了基于期望模型选择(EMS)算法的多维双参数Logistic(M2PL)模型的潜变量选择方法,并采用逐步搜索的方式对模型选择(MS)步的计算做出了改进.与传统的MS步相比,改进方法计算的子模型个数更少,能够有效提升计算效率.模拟比较显示,改进方法用时更短,且在潜变量选择和参数估计方面具有良好的表现.     

基于心理潜变量的电动汽车选择行为

通过考虑感知有用性、感知风险、环保意识等六个心理潜变量,运用结构方程模型对消费者电动汽车购买决策中的内在机理进行深入探究,不仅分析了影响电动汽车选择行为的心理潜变量之间的内在联系,而且探究了个人属性与心理潜变量之间的相关性.结果表明,感知有用性等心理潜变量对消费者的选择行为存在显著影响;消费者的社会经济属性对部分心理潜...     

基于潜变量的驾驶员路径选择行为分析

为更真实地还原驾驶员的路径决策过程,构建了基于潜变量的路径选择模型以增强模型的解释性。首先采用结构方程模型识别行为中存在的潜变量;并通过离散选择模型分析潜变量对选择行为的影响。最后以广州市驾驶员为例进行实证分析。结果表明:在驾驶员的态度与行为中存在4个潜变量因子;且各潜变量与驾驶员的社会经济属性有关。驾驶员的路网熟悉度与路径探索意识对其路径选择行为有较大影响;考虑潜变量的模型有效提高了模型的拟合度。     

基于自适应惩罚的潜变量高斯图模型结构学习

采用自适应惩罚似然方法解决含潜变量高斯图模型的结构学习问题.模拟结果表明,自适应惩罚显著优于非自适应惩罚,可有效降低估计偏差,更准确地估计给定潜变量时观测变量间的条件独立性关系.     

基于多变量灰色预测模型的多元线性回归模型

针对各自变量之间的关系,利用多变量灰色模型建立了自变量的预测值,剔除了自变量观察数据中的噪声污染。进而建立了一种改进的多元线性回归模型。最后,通过实例说明模型具有较高的预测精度。     

Beta回归模型基于EM算法的变量选择方法

本文针对响应变量取值为(0,1)区间上的比例数据研究Beta回归模型的贝叶斯变量选择方法。首先通过选取合适的先验分布,基于贝叶斯随机搜索和EM方法提出了参数的估计算法;然后根据回归系数相应的指示变量后验分布提出了重要变量选择的门限准则,所提方法具有易实施、快速计算等特点;最后通过研究中国上市公司股息率实际数据的影响因素以说明所提方法的有效性。     

考虑心理潜变量的专车出行选择行为分析

提出了考虑心理潜变量的选择模型来分析出行者的专车选择行为。首先构建了多指标多原因模型以描述个体社会经济学属性与潜在态度变量的关系;继而结合二项Logit模型分析出行方式属性、个体社会经济学属性及潜在态度对出行者专车选择的影响;并利用潜分类模型对出行者进行分类分析。以广州市为例,发现年龄、性别、教育水平及收入水平对态度变量的构成影响较大,安全意识、服务质量及舒适性、忠诚度也是影响选择的重要因素;通过潜分类发现出行者可分为费用敏感型、舒适享受型和中立型3个典型群体,比例分别为61.6%、21.8%、16.6%,显示出明显的两极分化趋势。     

基于变量依赖关系模型的变量重要性度量方法

为了减少变量变更的代价,需要评估变量在程序中的重要程度。对变量的重要性度量有利于合理安排软件测试资源,保证软件质量。通过分析程序中各变量状态,利用变量间的依赖关系构建变量依赖关系模型,将图论和变量重要性度量相结合。针对现有节点重要性度量方法存在的局限性问题,提出一种新的基于变量依赖关系模型的变量重要性度量方法。实验表明,该方法在变量重要性度量方面的准确性相比其他方法有所提升。     

基于概率模型的产品质量设计一般原理与方法

在分析产品质量设计基本问题的基础上,根据设计信息的不确定性,利用概率论方法讨论了产品设计的一般原理与方法,并开发出了相应的应用软件QC－ROD。这一方法的实施可使产品在设计中尽可能消除质量隐患或获得无缺陷产品,因而对于面向市场竞争的新产品开发与设计具有推广应用价值。     

基于变系数非参数回归的稳健性参数设计

利用变系数的非参数回归理论讨论多因子试验过程中因子间相互性对质量特性的影响,通过调节系数变量改变其他因子对过程的影响,找到最优的因子水平组合,进行稳健试验.提出了在稳健性参数设计中应用变系数的非参数回归模型理论,建立质量特性的均值和方差模型,得到最优的因子水平组合进行试验分析.最后,通过油墨打印机的实例说明此理论的可行性.     

一种基于SVR的综合预测方法及应用

针对一类因变量具有复杂自变量、且不具备相同采样周期的预测问题，综合运用支持向量回归估计(SVR)、多元回归和主成分分析等多种数据分析技术，提出了一种综合预测方法，建立起了飞机故障率与其错综复杂的影响因素间的一种数学关系，并且采用航空装备质量控制的统计数据对所提出的方法进行了实验，预测结果显示了方法的有效性。在影响因素量化过程中，还引入了Pearson相关系数方法。     

时变系统的Laguerre模型辨识及设计变量(1)

文章考虑动态线性系统的时变参数是平稳的AR（1）变量，系统为时变的Laguerre模型时的传递函数估计的均方误差（MSE）。在缓慢时变和高阶模型下，利用随机梯度算法，得到MSE的近似表达式。该文利用Laguerre模型取代FIR模型，减小了MSE，降低了模型的阶次，最后讨论了随机梯度算法的设计变量的优化问题。     

基于分布式产品模型的并行设计过程的研究

研究了产品并行设计过程,提出了基于分布式产品模型的并行设计分布式约束满足机制,该机制利用产品模型控制和指导设计过程,通过Agent之间的相互协作,使得设计约束不断得到满足,通过产品模型的分布表达及基于产品模型的并行设计分布式约束满足机制,分布,协作,并发的并行产品设计过程能够得到很好的支持,满足并行设计Top-down设计,约束设计和再设计的要求,在此基础上,开发了一个原型系统,给出了设计实例。     

基于多重共线性的Lasso方法

多重共线性是多元线性回归分析中的一个重要问题,消除共线性的危害一直是回归分析的一个重点.就此问题介绍了一种Lasso方法,并设计了一种选择最佳模型的方法.通过实例分析,将其与常用方法进行比较,从结果可看出,Lasso回归在处理多重共线性问题上较其他方法更加有效.     

基于主成分分析和代理模型辅助的多目标生产优化方法

多目标优化方法常用于考虑地质不确定性时进行油藏鲁棒生产优化,该方法能够同时优化历史拟合得到的多个概率模型的平均经济净现值和经济净现值的离散程度,从而得到一组权衡多个目标的最优生产方案。然而,多目标优化过程涉及的决策变量规模大,且基于常规数值模拟的目标函数评估计算耗时长。对此,提出了一种基于主成分分析和代理模型辅助的多目标生产优化方法(K-MOEA/D-PCA),采用主成分分析对大规模决策变量进行降维,然后借助基于代理模型辅助的多目标进化算法,通过设计计算高效的近似函数来代替常规数值模拟进行生产优化,最终得到目标油藏的最优生产方案。为验证提出方法的有效性,将其应用到标准测试模型。结果表明,提出的K-MOEA/D-PCA方法,通过降低变量的维数,可以有效解决具有大规模变量的油藏多目标生产优化难题,实现优化效率和方案精度的平衡。     

基于主成分回归分析的流程工业生产故障预测

在流程工业生产过程中,采用主成分回归分析方法,去除变量间的共线性,可以有效提高系统故障预测的能力.通过TEP过程验证,证明该方法具有较好的故障预测效果.