奇异线性模型最小二乘估计的相对效率

对于奇异线性模型，引入了参数β的最小二乘估计相对于最佳线性无偏估计的一种新的相对效率，给出了与其他两种相对效率的关系，导出了该效率的上下界．     

奇异线性模型最小二乘估计的相对效率

对于奇异线性模型,引入了参数β的最小二乘估计相对于最佳线性无偏估计的一种新的相对效率,给出了与其他两种相对效率的关系,导出了该效率的上下界.     

奇异增长曲线模型中回归系数阵的最优估计

讨论了协差阵可能奇异情形下回归系数阵的最优估计，作为特例给出了协差阵非奇异时回归系数阵的最优估计，同时给出了最小二乘估计与最优估计相等的条件．     

奇异线性模型均值向量最小二乘估计的相对效率

在奇异线性模型下,文章通过比较估计量的协方差矩阵的谱范数和F范数,定义了均值向量的最小二乘估计(LSE)相对于最佳线性无偏估计(BLUE)的2种新的相对效率,并给出了其下界.     

增长曲线模型中最小二乘估计的相对效率（二）

定理1 当I={i},即只剔除一组数据时 MP_i=1/C sum from s=1 to n |h_(si)|(1-h_(ii))~(-1)e_i （10）     

奇异线性模型最小二乘估计的相对效率

在奇异线性模型下讨论相对效率ei(β）,1≤i≤2的下界及其与广义相关系数和联系,随后简单地讨论了这两种相对效率的关系和比较。     

奇异G-M模型最小二乘估计新的相对效率

在奇异线性模型下利用2个矩阵特征根比值的最小值推广了Euclid范数定义的2种相对效率．文中研究了它们的下界,并给出了2种相对效率与广义相关系数之间的联系以及它们之间的关系,最后讨论了它们的性质,并研究了这2种相对效率的优越性．     

增长曲线模型回归系数的压缩最小二乘估计

本文采用压缩最小二乘估计Ｂ∧（ｍ）来估计设计阵呈病态时的增长曲线模型回归系数阵Ｂ．通过ｍ值的选取，可使β＾（ｍ）＝Ｖｅｃ（Ｂ∧（ｍ））的均方误差小于β＝Ｖｅｃ（Ｂ）的ＬＳＥβ∧的均方误差．证明了β∧（ｍ）具有可容许性、抗干扰性和有效性，并给出了实际应用中选取ｍ值的方法．     

推广增长曲线模型中回归系数阵的最小二乘估计

对于推广的增长曲线模型Y=∑i=1^2AiBiCi Ξ，其中Bi(i=1，2)为未知系数阵，本文利用投影阵和递归算法给出了回归系数阵B1，B2的最小二乘估计的具体表达式。     

生长曲线最小二乘估计和最佳线性无偏估计相等的几个充要条件

讨论了生长曲线未知参数的最小二乘估计与最佳线性无偏估计相等的几个充要条件,并给出了主要结论的两种不同证明     

最小平方估计奇异值分解法的分布式算法

提出迭代式分割与合并的算法（IDMSVD）,以改善最小平方估计的奇异值分解法在估计参数时非常耗费时间以及内存空间的问题。基于此又提出一种使用云计算Hadoop平台MapReduce实现的算法,称为分布式IDMSVD算法。实验结果显示,IDMSVD可以有效地改善SVD求最小平方解耗费运行时间与内存空间的问题,且分布式IDMSVD算法可进一步改善IDMSVD的运行时间。     

线性模型中均值向量的LSE和BLUE的偏差

考虑线性模型Y=Xβ e,这里E（e）=0,Cov(e,e)=σ^2V,V是非负定矩阵。众所周知,u=Xβ的最小二乘估计和最优线性无偏估计分别为u=X(X‘X)^-X‘Y和u=X(X‘T^-X)^X‘T^-Y,这里T=V XUX‘,U是矩阵满足R(T)=R(V:X)且T≥0。该文讨论V≥0时u与μ的偏差。在满足一定条件下得到相似的Haberman的一个界。在欧氏范数下,得到使Haberman条件成立的一个便于应用的充要条件。证明了类似于[2]界的推广形式,并把[3]界推广到V≥0。     

改进的递推增广最小二乘参数估计方法

基于用递推最小二乘(RLS)法拟合高阶自回归(AR)模型得到的白噪声估值,提出了自回归滑动平均(ARMA)模型参数估计的一种改进的递推增广最小二乘法。它由两段RLS算法组成,可在线实现,具有快的收敛速度。一个仿真例子说明了其有效性。     

基于等式约束最小二乘的B样条曲线拟合

 给出一种B样条曲线拟合有序数据的方法。以曲率为代价对有序数据简化。将简化后的数据插值曲线作为硬约束条件,以原始数据逼近曲线作为软约束条件,建立等式约束的最小二乘方程。利用QR分解技术求解方程确定B样条曲线的控制点。采用平方距离最小化方法计算原始数据到生成的B样条曲线的距离,如果不满足误差要求将误差最大数据加入硬约束条件,对局部受影响的部分重新生成曲线。该方法在满足拟合精度的前提下,具有较快的收敛速度,生成的B样条曲线具有较少的控制点。该方法也可用于解决带约束的曲线拟合问题。     

生长曲线模型参数估计的再讨论

对于生长曲线模型: Y=X_1BX_2+U E(U)=0 D()=I_Nσ~2V(其中Y为N×P阶观测矩阵,X_1及X_2分别为N×q,k×p阶已知设计阵,B为q×k阶未知参数阵,为误差矩阵U的按列拉直,σ>0未知,V为已知p阶阵。)本文给出了在约束条件下参数估计的几个基本结果。同时,在当设计阵呈病态时,我们给出了两种不同的参数岭估计,并且还证明了这两种岭估计之间的一个重要关系。     

ARMA模型参数估计的两段最小二乘法

提出了自回归滑动平均(ARMA)模型参数估计的两段最小二乘法。首先用递推最小二乘法对真实ARMA模型拟合高阶自回归(AR)模型,然后基于所拟合的AR模型参数,用最小二乘法解一个不相容代数方程组得到ARMA模型参数。一个仿真的例子说明了其有效性。     

带有线性不等式约束的线性模型参数的最小二乘估计

本文给出了求解具有线性不等式约束的线性模型参数的最小二乘估计的一个方法,并得到了这个估计的一般表达式。     

故障诊断的最小二乘估计法

本文讨论了故障诊断的最小二乘估计法，对故障系统应用最小二乘法估计出其状态参数值，并与系统标称值比较．从而诊断出系统的故障大小及部位．文中给出了一个仿真实例．诊断结果令人满意．