非参数回归模型中方差函数的小波估计

讨论了随机设计变量下,回归模型中方差函数的小波估计问题,构造了方差函数的小波估计、并在一定的条件下证明了该估计是相合估计。     

回归函数及其导数非参数估计的强一致收敛速度

本文研究了回归函数及其导数的非参数估计.对随机与固定设计的回归函数,分别利用核估计和非参数加权估计,在核函数及权函数满足一条件下,本文证明了估计一致强收敛于待估函数的速度可达到最优.从而进一步推广和发展了Hardle(1988)、Severini,etal.(1992)的许多结果.     

一类异方差半参回归模型的估计理论

考虑一类异方差半参回归模型Y=m(X) σ(X)ε,其中X是随机解释变量,Y是响应变量.均值函数m(x)=E(Y|X=x)和方差函数σ(x)二者未知.许多事实表明二者之间存在如下关系:σ2(x)=γ0 γ1(m(x))a1 … γs(m(x))asψ(x)γ,其中ψ(x)=(1,(m(x))a1,…,(m(x))as),γ=(γ0…γs)T.运用局部核权估计法和最小二乘法给出了异方差情况下m(x),σ(x)和γ的估计(x),和,证明了的渐近正态性,得到了(x)和2(x)的最优收敛速度,并且建立了诊断异方差的统计量.     

变窗宽下回归函数导数核估计的相合性

设(Xj,Y j),j=1,2,…,n是取值于R×R上的一列i.i.d的样本,Y=m(x)+ε是回归模型,其中m(x)=E(YX=x)是未知的回归函数.给出变窗宽下m′(x)的核估计方法,并建立估计量大样本的相合性.     

基于小波神经网络的非线性函数的逼近

给出了一种基于BP神经网络的自适应小波神经网络的模型 .该模型根据逼近函数的特性 ,选择不同的小波函数作为网络隐层 ,输出层是一个线性神经元输出 ,网络参数通过自适应调整得到 .实验结果表明 ,这种网络不但可以精确的逼近一般的非线性函数 ,也能实现对混沌时间序列的精确学习 ,而且网络的收敛速率比BP网络更快 .     

小波神经网络逼近非线性函数算法

介绍用于函数近似的一种新型神经网络——小波神经网络,该小波神经网络采用的函数是sigmoid函数的组合.文中从理论上阐明了小波神经网络对某些时频有限的非线性函数的逼近能力,并实际建立了一个前馈小波神经网络,同时讨论了如何选择小波母函数及如何减少该神经网络规模的算法.实验结果表明这种小波神经网络可以在较小规模的基础上实现对这类非线性函数的逼近.     

求解不等式约束优化问题的一个非线性Lagrange函数

本文提出了一个求解具有不等式约束优化问题的非线性Lagrange函数,讨论了该函数在K-T点的性质,证明了在适当条件下,当参数k大于某一阈值k0时,由算法产生的点列具有局部收敛性,并给出了与罚参数有关的解的误差估计.     

NA样本情形连续型线性指数分布参数的经验Bayes估计

对连续型线性指数分布在平方损失下导出了参数的Bayes估计，利用同分布负相协（NA）样本构造了经验Bayes（EB）估计量，并在适当的条件下获得（EB）估计的速度．     

非参数回归函数的置信空间

利用随机加权法构造非参数回归函数的随机加权统计量，证明了用随机加权统计量的分布去逼近原估计量的误差分布，其精度可达到o(n^-1/(d 2)√1nnMn),α.s.,其中0＜Mn→∞。该结果可以用于构造未知回归函数m(x)的置信区间。     

模糊值函数级数的绝对一致收敛性

基于模糊值函数的研究,利用模糊数的度量以及模糊数的绝对值概念,讨论了模糊值函数级数绝对一致收敛性,给出了模糊值函数级数绝对一致收敛性的一个充要条件和几个推论。     

指数多项式模型中参数最大似然估计的收敛速度

强度随时间变化的非齐次Possion过程在很多领域应用广泛.对一类非常广泛的非齐次Poisson过程—指数多项式模型,得到了当观测时间趋于无穷大时,参数的最大似然估计的“最优”收敛速度.