经济预测模型中参数估计的一种方法

简单介绍了经济预测中最小一乘法和最小二乘法的含义,并指出了它们的不足。为了改善预测效果,采用加权最小一乘法来进行参数估计。在该方法中采用了一种新的赋权方法,并把加权最小一乘法问题转化为线性规划问题去求解,最后通过一个应用实例来说明此种方法的有效性和实用性。     

灰色Verhulst模型参数估计的一种新算法

灰色Vethulst模型主要用来描述数据具有饱和状态的过程,模型中的参数估计一般都采用最小二乘准则,而模型检验采用与最小一乘相关的准则,提出基于最小一乘准则估计模型参数,统一了模型参数估计和精度检验的准则.得到新的预测公式;然后采用新的群体智能算法-粒子群算法来求解此最小一乘的参数.由于算法避开了求解背景值.在非等时距情况下同样适用.数值计算结果表明,用文中方法确定模型参数是精确有效的,提高了模型的预测精度,扩大了模型的适用范围.     

WTALD准则下大规模数据集线性结构提取

针对大规模数据集的线性结构提取问题,建立加权全最小一乘准则（WTALD）下的线性结构提取模型,给出了BIRCH-WTALD-LGA稳健线性结构提取新方法,数值模拟和在地震分布数据聚类分析中的应用说明该方法可以有效地提取大规模污染数据集中的线性结构。     

混沌PSO最小一乘空时预测的红外小目标检测

针对红外图像中背景与小目标的特点,提出一种基于混沌粒子群优化(PSO)最小一乘空时背景预测的红外小目标检测方法.首先建立最小一乘准则空时背景预测模型,根据最小一乘估计的性质,提出应用混沌PSO算法解决最小一乘估计中极值的选取问题,并用该模型预测红外图像中的背景,从原始图像中减去预测图像得到残差图像;然后提出了基于混沌P...     

广义加权最小二乘组合预测法在装备故障率预测中的应用

为了准确预测武器装备的故障率,针对实验数据少,随机因素影响较大的特点,在最小二乘法的基础上,构建广义加权组合预测模型,把最小二乘法与加权组合预测法有机的结合起来.在Matlab环境下,通过最小二乘法确立多个单项预测模型,经过广义加权组合法综合不同模型的信息,利用非线性规划法求解最优权系数.通过实际数例的仿真计算,证明了广义加权最小二乘组合预测模型能有效的降低预测误差,提高预测精度.     

基于多样性加权相似度的集成局部加权偏最小二乘软测量建模

针对传统即时学习软测量方法仅考虑单一的相似度函数,难以有效处理复杂工业过程中的非线性特性,从而导致模型预测性能受限的问题,提出了一种基于多样性加权相似度（DWS）的集成局部加权偏最小二乘（LWPLS）软测量建模方法.首先采用随机子空间法和高斯混合聚类,构建一组多样性的训练样本子集;然后通过偏最小二乘回归分析确定输入特征权值,从而定义一组多样性加权相似度函数.在线实施阶段,对于任意的查询样本,基于多样性的相似度指标,可建立一组多样性的LWPLS软测量模型,随后引入集成学习策略实现难测变量的融合预测.在数值例子和脱丁烷塔过程中的应用结果表明了该方法的有效性.     

最小一乘聚类中心模型及算法

本文首次提出最小一乘聚类中心的数学模型,对于不可微目标函数推导了最优解的条件,同时构造了最小一乘聚类中心的逼近点列,给出了相应的算法,并研究了一个不带类别标记的两类分类问题.最后讨论了最小一乘聚类中心能抵御样本中噪声的数学机理,并通过例子说明了此方法的有效性.     

基于粗糙集的加权KNN数据分类算法

粗糙集是处理不精确、不确定性问题的基本方法之一。采用粗糙集理论与方法进行数据分析具有不必具备数据集的先验知识、不需人为设定参数等优点,因而它被广泛应用于模式识别与数据挖掘领域。针对粗糙集训练过程中从未遇到过的样本的分类问题进行了探讨,根据条件属性的重要性确定加权系数,采用加权KNN的方法来解决无法与决策规则精确匹配的样本分类问题,并与加权最小距离方法进行了对比实验;同时对其他一些现有的粗糙集值约简算法进行了分析与研究,提出了不同的观点。对UCI多个数据集的大量数据进行了实验,并与近期文献中的多种算法进行了性能对比,实验结果表明,提出的算法的总体效果优于其他算法。     

基于最小一乘的系统辨识方法研究

针对系统参数辨识中最小二乘估计的稳健性较差,给出稳健性较强的最小一乘的系统辨识方法。推导出了最小一乘回归系数的估计式,使用逐次逼近迭代的方法,构造迭代序列给出最小一乘回归系数的迭代算法。并把该算法应用于控制系统参数辨识中,与最小二乘辨识相比较,当模型的观测数据有测量噪声时,最小一乘回归系数的收敛性及数值稳定性较好。仿真结果验证了理论,显示了最小一乘辨识的优越性。     

基于滚动窗法最小二乘支持向量机的稳健预测模型

在推导加权最小二乘支持向量机数学模型的基础上,基于启发式学习算法并结合滚动窗的思想,提出基于滚动窗法最小二乘支持向量机的稳健预测模型,为了缩短模型的预测运行时间,将启发式算法进行改进后,采用迭代求逆方法,在不丧失预测精度的基础上,很大程度地缩短预测时间,最后通过仿真实例验证这个模型可以成功抑制奇异点,实现稳健预测并取得良好效果.