Stein损失下BP神经网络分类方法在人脸识别中的应用

在统计判决理论的框架下,针对一类特定目标人脸识别中存在的问题,提出了基于Stein损失的BP神经网络分类方法,证明了Stein损失下的BP神经网络的收敛性,经过剑桥大学ORL人脸库的图像识别实验,表明这种方法能有效解决传统的BP神经网络特定目标人脸识别中存在的问题.     

Stein方程数值解的黎曼梯度算法

基于正定矩阵流形的信息几何结构, 使用黎曼梯度算法来获得Stein方程的数值解. 利用弯曲的黎曼流形上的测地距离作为算法的目标函数,并将流形上的测地线作为算法的收敛路径. 通过数值实验讨论了算法的步长和收敛速度的关系,从而得到算法的最优步长.      

Stein流形上(p,q)型微分形式的Koppelman公式的拓广

Ｓｔｅｉｎ流形上的（ｐ，ｑ）型微分形式，不能像Ｃ＾ｎ空间一样采用Ｅｕｃｌｉｄ度量，因在Ｓｔｅｉｎ流形上Ｅｕｃｌｉｄ度量已不是全纯变换下的不变式。采用Ｄｅｍａｉｌｌｙ和Ｌａｕｒｅｎｔ－Ｔｈｉｅｂａｕｔ的方法，利用Ｈｅｒｍｉｔｅ度量和陈联络，解决了不变量量的问题。     

关于Stein流形上微分形式B—M—K变换的跳跃公式

给出Ｓｔｅｉｎ流形上微分形式Ｂ－Ｍ－Ｋ变换的跳跃公式的一个证明。     

Stein流形上Cauchy—Riemann方程的具有权的基本解

利用陈度量和陈联络,作者构造了Stein流形上(p,q)微分形式的具有权的B-M核B(z,ζ)、Leray核L(z,ζ)、Henkin核H(z,ζ)和核T(z,ζ)以及微分形式P(z,ζ),并利用局部化技巧,证明了这些核的积分主值是存在的,以及核B、L—B+T和B(f∧H)是Cauchy-Riemann方程=[△]+P的基本解,作者还讨论了与这些核相应的算子L、H和T的奇点的传播。     

Stein流形上(p,q)型微分形式的Koppelman-Leray公式的拓广

为进一步研究 Stein流形上的 Koppelman- Leray公式 ,采用 Bochner- Martinelli的方法 ,并将之推广到 Stein流形上 .便可得到一个 Stein流形上 (p,q)型微分形式的 Koppelman- Leray公式的一种拓广式 ,该拓广式的特点是积分核中含有可供选择的实参数 m及 (D,s,φ)的 Leray截面 ,当 m=2时 ,可得到 Stein流形上已有的 (p,q)型微分形式的 Koppelman- Leray公式 ,而当取 m=3,4,… ,N(N< ∞ )时 ,可相应得到 Stein流形上一系列积分核彼此不同的积分公式 .由该拓广式还可得到 Cn空间中 (p,q)型微分形式 Koppelman- Leray公式在 Stein流形上的推广     

协方差阵扰动对Stein岭型主成分估计的影响分析

针对线性回归模型中协方差阵扰动对Stein岭型主成分估计β(P)G的影响问题进行研究.证明了β(P)G的某种极限是数据删除模型的Stein岭型主成分估计;建立了β(P)G与G-M模型的Stein岭型主成分估计β(P)之间的关系;定义了度量扰动影响的距离测度DG,并给出了DG的多种计算式;最后通过实例验证其有效性.     

平衡损失函数下几乎无偏估计的统计性质

在平衡损失函数下, 讨论线性回归模型中几乎无偏Liu估计与几乎无偏Stein岭型主成分估计的统计性质. 分别给出几乎无偏Liu估计与几乎无偏Stein岭型主成分估计在平衡损失函数下的风险, 并在不同条件下讨论这两种风险的关系.     

Stein流形上的Andreotti-Norguet公式及其拓广

本文将C~n空间中关于全纯函数的任意阶导数的具Bochner-Martinelli型核的Andreotti-Norguet公式,拓广到Stein流形上去,并进一步拓广到具Cauchy-Fantappie型核的情形.     

约束模型下回归系数的有偏估计

本文提出线性约束模型下回归系数的 stein 估计和双k类 stein 型估计的概念,二者均为回归系数β的非线性约束有偏估计。在均方误差意义下,证明了:当所含参数满足一定条件时,对一切β和σ~2,它们一致地优于β的约束最小二乘估计(?)_L。最后,将结果推广到较一般的线性约束模型。