带约束的Kantorovich不等式在最小二乘相对效率中的应用

利用带约束的Ｋａｎｔｏｒｏｖｉｃｈ不等式获得了一般Ｇａｕｓｓ－Ｍａｒｋｏｖ和方差分量模型中最小二乘的相对效率的下界．这些下界比采用无约束的Ｋａｎｔｏｒｏｖｉｃｈ不等式得到的下界更好     

增删数据场合最小二乘估计算法的比较研究

给出了增删数据场合多元线性回归模型参数最小二乘估计的两种算法-递推算法和Givens变换法,二者都利用已有的结果,减少计算量.递推算法给出预测误差的关系式,可直接比较预测误差大小;Givens变换法不能直接导出预测误差的关系式,但更容易算出残差平方和,可通过比较残差平方和大小比较增删数据前后参数估计的好坏.     

基于自适应形态学的跳频信号参数联合盲估计

跳频通信的应用大大提高了军事装备的抗干扰和抗截获能力,使得跳频对抗技术面临严峻的挑战。为解决传统形态学跳频信号参数估计方法中结构元素选择困难问题并提高估计精度,提出了一种基于自适应形态学的跳频信号参数联合盲估计方法。首先,对跳频信号进行短时傅里叶变换获取谱图。然后,从其时间轴投影中获取结构元素尺寸的知识, 设计自适应形态学滤波器抑制谱图噪声, 提取跳频图案初步估计跳频参数。最后, 引入最小二乘估计方法, 对跳频周期和跳变时刻进行精估计。仿真结果表明,此方法能够同时估计出跳频频率、跳频周期和跳变时刻, 不需要其中某一种参数作为先验条件, 在复杂的通信环境也能够保持良好的估计性能。     

带约束的Kantorovich不等式及其在LSE相对效率中的应用

本文给出了一种约束的Ｋａｎｔｏｒｏｖｉｃｈ不等式并将其就用于Ｇａｕｓｓ－Ｍａｒｋｏｖ模型和方差分量模型中ＬＳＥ的相对效率研究，得到了其下界，这些下界比起用不约束的Ｋａｎｔｏｒｏｖｉｃｈ不等式给出的下界更尖。     

线性模型中参数估计的一个新的相对效率

对于线性模型ｙ＝Ｘβ＋ε,Ｅ（ε）＝０,ＣＯＶ（ε）＝σ＾２∑〉０,我们定义了一种新的相对效率,并研究了它与其它相对效率的关系,以及给出了它的一个下界。     

线性模型中参数估计的相对效率

对于一个线性模型,如果最小二乘估计(LSE)与最佳线性无偏估计(BLUE)相等,就可以放心地用LSE代替BLUE;反之,用LSE代替BLUE就要蒙受一些损失,有时,这种损失可能是很大的,因而研究这种损失的大小就显得颇为重要.考虑一般线性模型y=Xβ+ε,E(ε)=0,cov(e)=σ2∑,定义了LSE相对于BLUE的两个新的相对效率,并给出了它们的上界.     

增长曲线模型中LSE的几种新的相对效率

对于生长曲线模型Ｙｑ×ｎ ＝ Ａｑ×ｍ Ｂｍ ×ｋＣｋ×ｎ ＋ ｅｑ×ｎ , Ｅ（ｅ） ＝ ０ ,ｃｏｖ（→ｅ） ＝ Ｖｎ×ｎ ｑ×ｑ ,该文定义了四种ＬＳＥ 的相对效率,并给出了它们的上界     

生长曲线最小二乘估计和最佳线性无偏估计相等的几个充要条件

讨论了生长曲线未知参数的最小二乘估计与最佳线性无偏估计相等的几个充要条件,并给出了主要结论的两种不同证明     

F范数和谱范数定义下的最小二乘估计

本文主要把一元线性模型中最小二乘估计的思想以及数学上的表达形式,利用范数推广到对多元线性模型的参数估计中,提出了在F范数和谱范数意义下的最小二乘估计。     

增长曲线模型中最小二乘估计的相对效率（二）

定理1 当I={i},即只剔除一组数据时 MP_i=1/C sum from s=1 to n |h_(si)|(1-h_(ii))~(-1)e_i （10）