样本的k阶中心绝对矩的依概率收敛性证明

利用辛钦大数定律和随机变量序列依概率收敛的性质,通过不等式的放缩技巧,给出了样本的k阶中心绝对矩依概率收敛于总体的k阶中心绝对矩的证明.     

粗糙集理论决策推理时样本缺损的处理方法

应用粗糙集理论来推理决策规则时,要求提供的决策数据表是遍历的。本文提出一种基于概率统计的方法,当给出的数据表样本缺损时,尽可能合理地补全缺损的样本,以便粗糙集理论的应用。     

基于人工神经网络的L9(34)正交实验预测特点研究

用五组L⁹(3⁴)正交实验结果作为训练学习样本集,通过人工神经网络对其预测特点进行了探讨.结果表明:完备的正交实验样本集是基本训练学习单元,不可分割,其预测结果与实测结果吻合很好.同一类型同一实验条件下,完备的信息量大的正交实验样本集通过人工神经网络能很好地预测其他完备的信息量小的正交实验样本集,这为正交设计提供了有意义的参考思路.     

混合样本下递推核估计的强相合性

讨论了φ混合下递推核估计及递推改良核估计的强相合性,其中的递推核估计中对φ混合速度要求比文献（１）中对φ混合的速度要求弱得多。     

样本单元法及层状含裂隙岩体力学参数的确定

基于大量野外调查和室内研究,对层状岩体的岩性组合特征,软弱夹层、裂隙的分布规律以及岩体结构特征进行分析、研究、分区分类并建立相应的样本单元。提出了用数值分析方法模拟现场大型试验的“样本单元法”,根据岩块力学参数来获得含裂隙岩体的力学参数。     

随机序列基于指数分布的若干强极限定理

利用样本相对熵作为一般非负连续型随机变量序列相对于服从指数分布的独立但不同分布随机变量序列偏差的一种随机性度量,运用鞅理论及分析方法,研究了一类随机变量序列加权和的强偏差定理,并讨论了任意连续信源的相对熵密度的若于极限性质。     

基于分数阶累加的离散灰色模型

针对灰色预测模型为什么适用于“小样本”建模的问题进行了研究. 以离散灰色模型为例,利用最小二乘问题解的扰动理论证明了灰色一阶累加方法在扰动相等的情况下,原始序列样本量较大,解的扰动界较大; 样本量较小,解的扰动界较小. 为了使离散灰色模型解的扰动界变小,本文提出了分数阶累加离散灰色模型. 实例说明分数阶累加离散灰色模型的实用性.     

NA 样本下非对称损失函数截尾参数的经验Bayes检验

研究了负相关(NA)样本下具有非对称损失函数单边截尾参数的经验Bayes检验.其损失函数为L(θ,θ0 )=k1 (θ-θ0 )2I(θ＜θ0 ) [k1 (θ- θ0 )2 k2 (θ- θ0 )] I(θ≥θ0 ),ki≥0,i = 1,2.应用概率密度函数的核估计来构造检验函数,得到了它的收敛速率具有渐近最优性. 并发现对所提出的EB检验,在某些条件下,具有渐近最优性的收敛速率,能够任意接近于1.     

基于修剪树的优化聚类中心算法

针对传统聚类算法存在样本形状及孤立点敏感的问题,提出基于修剪树的优化聚类中心(Optimized Clustering Center Based on Trimmed Tree,OCT)算法.该算法自适应地寻找裁剪尺寸来修剪并分割最小生成树为森林,获取森林全部叶子结点并再次构造最小生成树,根据预设簇数n,修剪最小生成树...     

数据挖掘中动态改变样本域提高预测精度

文章介绍了在小样本空间中,采用动态调整样本空间数据的手段来提高预测精度;在调整样本数据时,以基于时间相关误差的参数为判断依据,并给出了一个实际算法用例;通过动态改变样本域中数据,提高在小样本空间条件下回归预测的精度,从而能更好地判断数据是否合理,以达到控制数据风险的目的。