φ混合样本下频率插值密度估计的强相合性

Scott 1985年提出频率插值密度估计,并在独立样本条件下证明其均方误差收敛速度快于直方图估计,且达到与密度核估计一样的速度,所以它是一种较好的密度估计.Carbon等1997年在α混合样本下证明频率插值密度估计的强相合性及其收敛速度,Nadia和Sophie2010年将其结果推广到多元情形.本文则是将这些研究推广到φ混合样本情形,证明频率插值密度估计的强相合性,获得较好的收敛速度,并减弱了结论的条件.     

END样本最近邻密度估计渐近正态性的收敛速度

在END样本下研究最近邻密度估计的渐近正态性.在适当的条件下给出最近邻密度估计渐近正态性的收敛速度,这个速度几乎达到n~(-1/2).     

WOD随机变量的核密度估计（英文）

研究了WOD随机变量的核密度估计。首先建立了核密度估计在紧集上的指数不等式及收敛速度,其次得到了估计量的相合性的结果。研究结果推广了已有的相协和负相协的相关结果。最后通过数值分析来验证了核密度估计的收敛速度。此外,还提供了真实的数据分析。     

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.     

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。     

ND序列下最近邻密度估计的强相合速度

在ND(negatively dependent)样本下研究最近邻密度估计的强相合速度,利用ND序列的指数不等式以及ND序列的性质,给出了最近邻密度估计强相合速度的充分条件。     

基于核心密度估计的动态目标分割改进模型

数字视频中的动态目标分割是基于计算机视觉技术的分析、识别系统中关键的处理步骤,分割结果的正确率决定了后期分析或识别过程的质量.在数字视频中存在各种有害动态像素,它们会降低分割过程的正确率.动态目标的阴影是这些有害像素的一种,因为它们本身不属于动态目标形状信息的范畴,但分割过程却能很容易将它们作为有效的动态目标像素分割出来.最近有关动态目标分割的研究提出了基于核心密度估计模型的分割方法.基于RGB颜色空间的核心密度估计模型能够在彩色视频中抑制阴影,但是对于灰度视频这种模型是无法抑制阴影的.作者针对上述局限提出了一种基于像素边缘测量的核心密度估计模型,用于动态目标分割,能够在彩色和灰度视频中抑制阴影.实验结果证明,这种新模型在通常的应用条件下是有效的.     

基于核密度估计的VaR-GARCH模型改进

对GARCH模型下标准化扰动的分布进行非参数核密度估计,并应用标准化扰动的核密度估计分布来计算时变风险价值.最后通过实证分析验证了此模型的有效性.     

Lipshitz条件下密度估计函数的收敛性

为了研究密度估计函数及其收敛性问题,构造了与f(x)相对应的密度函数估计fn(x),在连续的条件下证明了密度函数估计fn(x)是f(x)的渐近无偏估计、均方收敛估计和一致估计;在Lipshitz条件下讨论了当参数取不同值时fn(x)的均方收敛速度。该结果对密度估计工作有一定的推进。     

带测量误差的非参数众数回归模型的模拟外推估计

本文研究了带测量误差的非参数众数回归模型的估计问题.首先,利用核密度估计并结合模拟外推的方法构造了非参数函数的估计,其次,在适当的条件下证明了所给估计量的渐近正态性.数值模拟研究表明所给估计在有限样本下表现良好.     

PA样本下一般形式的密度估计

在PA样本下讨论一般形式密度估计的矩相合性和强相合性.     

END样本最近邻密度估计的相合性

在END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,同时研究失效函数估计的一致强相合性.     

NQD样本下一般形式的密度估计

两两NQD列是一类非常广泛的列,文章利用两两NQD序列的矩不等式,讨论了当d=1时,基于同分布两两NQD样本的一般形式的密度估计,得到了一维同分布两两NQD样本下一般形式密度估计的强相合性、矩相合性.     

方向数据核密度估计的大偏差和中偏差

设X为取值于k-维单位球Ω的随机向量,密度函数为f(x),fn(x)=(nhk-1)-1[C(h)]·,x∈Ω为f(x)的核密度估计.通过计算Cramer泛函,分别得到了核密度估计在弱拓扑(L1,σ(L1,L∞))下的大偏差和中偏差.     

层次聚类法在空间犯罪热点分析中的应用

当前,基于核密度估计的空间犯罪热点分析方法存在着无法确定热点的分布范围和难以支持警务决策等不足.相比之下,数据挖掘中的层次聚类算法则能够根据犯罪活动的位置信息确定出不同空间尺度下的犯罪热点的分布范围和具体的热点数量,因此具有更好的优势.该文介绍了层次聚类算法的基本原理,并基于实际案例数据对层次聚类算法与核密度估计算法的热点分析结果进行了比较,并对基于层次聚类算法的犯罪热点分析在情报分析和警务决策方面的应用进行了讨论.     

基于核密度估计的上证A股收益率分析

波动较大是股票收益率的特征,这种特征造成了它的分布非常不规则,因此在对股票收益率进行分析时,可以考虑运用形式比较灵活的非参数密度估计方法.而在非参数密度估计方法中,核估计是最典型的用来估计单样本模型的方法.因此,以上证A股指数收益率分布为对象,利用非参数核密度估计方法对其进行实证研究.这种方法除了在捕捉市场风险特征方面比普通正态分布更具优势外,而且对于收益率分布尖峰和厚尾的特征也能更好的反映,同时其结论也更加具有可信度.     

Kernel-Kmeans:一种基于核密度估计的空间聚类算法

利用核密度估计的非参数检验特性,提出了一种基于核密度估计的Kmeans改进算法KernelKmeans.该算法综合了基于划分的聚类思想以及基于密度的聚类思想,首先由核密度估计算法计算样本点的密度分布,然后对密度分布栅格进行窗口计算并取极大值来初步确定聚类中心以及聚类数量,最后将聚类中心和聚类数量作为参数输入Kmeans算法得到聚类结果.以OpenStreetMap发布的京津冀城市群点数据开展实验研究,采用算法运算时间与轮廓系数为验证指标,与Kmeans算法、极大极小改进Kmeans算法进行了对比验证,结果表明Kernel-Kmeans算法的精度高于后两者.     

金融问题中二元损失函数的核密度估计

用非参数估计方法,在一元函数的核密度估计的基础上,给出了二元函数的核密度估计形式,并通过计算估计量的MISE的最小值得出最优窗宽.     

基于非参数核密度估计的集装箱码头交通需求预测模型

针对现有集装箱集疏港时间概率分布建模中需要假设参数分布的问题,基于非参数核密度估计理论建立集装箱码头交通需求预测模型.非参数核密度估计的核函数选取高斯核,最优带宽由交叉验证法求得,通过检验、K-S检验和后验检验对比分析了核密度估计与两种传统参数模型的估计效果,并应用该模型预测DCT码头的交通需求.结果表明:非参数核密度估计模型具有更高的拟合精度、稳定性和适用性,得到的概率密度曲线能更加准确反映出口箱集港时间和进口箱疏港时间的整体分布形态,基于非参数核密度估计的集装箱码头交通需求预测模型具有比传统的参数模型更高的预测精度,可为集装箱码头基础设施规划、集疏港通道的道路交通管理、码头资源优化配置和调度等问题的研究提供更准确的交通量和作业任务量预测.     

混合寿命模型下的贝叶斯密度估计(英)

基于一类异族分布的混合寿命模型, 给出了在一/二组样本下的I/II型截尾试验下的贝叶斯密度估计方法; 给出了实例; 并提出了一些问题和解决方法.