核密度的随机加权估计及其应用

目的 研究核密度的随机加权估计,在一定条件下证明核密度的随机加权估计是有效的.方法 用随机加权法对核密度进行估计.结果 在适当的条件下√nhn(Hn(x)-fn(x))和√nhn(fn(x)-f(x))对几乎所有的样本序列X1,X2,…具有相同的极限分布,即随机加权逼近成立.结论 所提出的随机加权估计优于钱伟民所做的Bootstrap估计,提高了估计的精度.     

密度核估计的随机加权逼近

本文对密度核估计的随机加权作了研究,在适当的条件下,证明了密度核估计的随机加权逼近的相合性。     

一元有限总体样本均值分布的随机加权逼近

对来自一元有限总的简单随机抽样样本,共均值分布采用随机加权逼近,从模拟方差的角度说明随机加权法在抽样调查中的可用性,得到了E|Vr*Dn-VarTn|=O(1/n)的良好结果。     

马尔可夫过程密度核估计的随机加权法

设{Xn,n≥1}是一严平稳马尔可夫过程,并且具有未知的密度函数f(x).我们用随机加权统计量对f(x)进行估计,并且讨论了随机加权估计的均方相合性,可积均方相合性等.     

一类具有渐近正态的统计量的随机加权逼近

对一类具有渐近正态的统计量 ,找到了适用于它们的共同的随机加权逼近方法 ,并研究了它的相合性、一致及非一致逼近速度     

L─统计量的随机加权逼近的非一致性速度

任哲讨论了一类L─统计量的随机加权逼近的一致性速度,本文研究了其非一致性速度．     

加权核密度估计及其在沪深300股指收益率上的应用

由于金融数据的特殊性,对于其时变概率密度的估计和相应的累计分布函数的估计,可以通过非参数运用加权的核密度估计来捕捉每个时刻金融收益率的密度变化情况,这种方法中的重要参数,如带宽,可以通过最大似然函数和交叉检验进行估计.诊断检验可以通过向前一步预测的累计分布函数进行验证.对于这种追踪时变密度变化的方法,适用那些密度变化相对缓慢的数据上,并且该方法可以结合滤波进行递推估计.本文最后将此方法运用在沪深300股指.     

概率密度核估计的Bootstrap逼近

从概率密度函数为f的总体中,随机抽取一列独立同分布的样本X1,…,Xn,并在μ=EX1的条件下,研究密度概率函数θ=f(μ)的核型估计fn(x)的Bootstrap逼近问题.     

固定设计下半参数回归模型估计的随机加权逼近

考虑固定设计下的半参数回归模型:y_i=x_iβ g(t_i) e_i,i=1,…,n 对利用一般非多数估计法结合最小二乘法得到的参数分量β和误差方差σ~2的估计量(?)_n和(?)_n~2,本文用随机加权法构造了(?)_n和(?)_n~2的随机加权统计量H_(?)_n和H_(?)_n~2,并证明了在给定原样本的条件下,H_β_n和H_((?)_n~2)分别与n~(1/2)((?)_n-β)和n~(1/2)((?)_n~2-σ~2)有相同的渐近分布.     

删失数据下NA样本核密度估计的相合性

在｛Xn;n≥1｝和｛Yn;n≥1｝是相互独立的同分布NA随机变量序列的情形下,研究了随机删失数据下概率密度函数的核估计,获得了此核估计的逐点强相合性和一致强相合性。     

核密度估计的局部积分方差的渐近表示

在非参数统计推断中，首选方法是核密度估计，但通常很难得到精确表达式。利用局部交叉生效方法，获得随机删失下核密度估计的局部积分方差的渐近表示，所得结果改进和推广了Watson，Leadbetter和Csorgo，Horvath等研究的相关结果。     

一种快速非参数核密度模型及其应用

基于快速高斯变换,提出并建立了一个多维非参数核密度估计监督学习模型并且评估它的性能,为未知分布试验数据的预测和拟合以及土地利用/覆盖变化监测中多维影像数据的预测和识别提供科学依据.给定M个输入特征向量,对应第j类的容量为Nj的训练样本,直接计算的贝叶斯核密度模型复杂度为O(M xN),而本文提出的核密度模型复杂度接近O(M+N),实现了一个高效的基于快速高斯变换的多维非参数监督学习模型和计算信息处理系统.结果表明:提出的模型预测识别精度与支持向量机分类基本一致,速度更快适合大规模的数据处理,有效降低了维数和计算复杂度诅咒.     

一种创建关键帧的核密度估计运动目标检测

背景减法是运动目标检测的一类重要方法,它的难点在于背景动态模型的建立.非参数密度估计中的核密度估计方法是解决这一难点的十分有效的方法.但该方法的缺点是它的计算量较大,难以满足运动目标检测的实时性.针对该问题,提出一种基于关键帧的核密度估计运动目标检测算法.该算法采用提取关键帧的方式来建立背景模型,同时用此方式进行背景更新.它不仅减少了用于密度估计的样本数,而且降低了目标检测的虚警率和误检率.实验结果表明该算法能够适应环境的变化,比改进前的算法快了不止9倍,并可以有效地进行运动目标的检测.     

基于光流场核密度估计的动态目标分割

在经典的核心密度估计模型中,基于像素亮度的估计能够将同一目标更好地连通显示,具有集中的像素分布规律.利用这一规律,可将经典核密度模型的计算维度扩展到二维,用其分割像素对应的光流场,并称该方法为基于光流场核密度估计的动态目标分割模型.实验证明,该方法能够从运动背景中很好地检测出较完整的运动目标.     

基于三角核估计模型的运动目标检测方法

文章对基于高斯模型的运动目标检测算法进行了研究,在此基础上,采用三角核估计的非参数方法来对背景建模,从而检测出运动目标;并结合检测结果来更新样本和带宽,提出了与之相对应的背景更新方法。实验结果证明,该方法能准确快速的检测出运动目标,具有较强的鲁棒性。     

φ-混合删失模型中密度函数K-M估计的r-阶相合速度

在生存时间与删失时间为 φ 混合序列的情况下，研究并获得了随机删失模型概率密度函数 ｆ（ｘ）的 Ｋ Ｍ（ｋａｐｌａｎ Ｍｅｉｅｒ）估计 ｆｎ（ｘ）的 ｒ阶相合速度。