随机系数自回归模型变均值点在线监测与应用

对随机系数自回归模型的变均值点进行在线监测时, 如果变均值点的位置远离开始监测点, 则平均地说, 需要较长的运行时间方能检测到该变均值点. 为此, 笔者引进一个窗宽参数, 提出了一种改进的在线监测方法. 给出了监测统计量在原假设下的极限分布, 并证明了此方法的一致性. 模拟结果显示新方法明显优于已有的方法. 最后将该方法应用于两组股票价格均值点的监测问题中, 说明了方法的有效性.     

独立序列均值与方差变点的累积和估计及应用

产品生产加工过程中, 反映产品质量参数的均值和方差都有可能出现异常波动, 及时发现质量异常波动, 对于控制产品质量十分重要. 在工业生产、通信工程等领域中独立序列有广泛应用背景. 本文研究了独立序列中均值和方差都存在变点且变点时刻不相同时的变点估计问题, 给出变点时刻的累积和(CUSUM)型估计, 并得到变点估计的收敛速度. 最后将该方法应用于航空发动机管路生产质量控制中和放射医学研究的扫描仪质量控制问题中,模拟结果和实例分析都说明方法的有效性.     

均值漂移算法的研究与应用

对均值漂移算法的理论和应用作一全面的综述．首先根据密度函数的非参数估计推导出均值漂移公式的一般形式,说明了均值漂移迭代算法的步骤及收敛性;然后重点讨论核函数的选择以及带宽矩阵的计算等关键技术;最后归纳了均值漂移算法在模式检测、聚类、图像分割以及物体实时跟踪等方面的应用,并展望了均值漂移算法在理论和应用中的研究方向．     

基于AUC的非参数快速变点检测算法

目前,变点检测技术已经广泛应用到各个领域。然而,由于实际生产环境的复杂性,变点检测技术中的常用参数方法往往存在一定的局限性。为了克服这些问题,提出一种新的变点检测的非参数方法,通过互联网检索应为首次应用AUC（曲线下面积）对样本数据进行在线变点检测。该方法将变点检测分为2个阶段：预分析阶段,对样本数据进行加窗处理,通过计算窗口中样本数据的AUC值的方式来间接得到其均值和方差;检测阶段,通过假设检验的方法对经过处理后的样本数据进行变点检测。通过实验仿真,可以观察到此算法与常规CUSUM算法相比,具有更好的稳健性,而且对检测多个突变点的情况同样有效。     

基于非参数回归的神经网络集成降水预报模型

利用粒子群优化算法的全局搜索能力,同时进化设计神经网络的网络结构和初始连接权,获得一组合适网络结构和初始连接权,再进行新一轮BP神经网络训练,获得一批独立的神经网络,进一步用主成份分析方法提取有效因子,再采用非参数回归模型进行集成,建立多元变窗宽高斯核函数的非参数回归的神经网络集成模型,以此对广西前汛期5,6月区域平均日降水量进行预报.结果表明,这里建立的3个区域日平均降水量神经网络预报模型,在预报性能上明显优于同期的T213降水预报.     

噪声为单位根过程的非参数函数变点的小波检测

利用小波方法和极限定理对噪声为单位根过程的非参数函数的跳跃点进行检测. 首先, 利用极限定理得到噪声的小波系数的极限分布.然后构造检验统计量, 在原假设成立的条件下得到任意尺度上检验的临界值, 证明了检验的一致性, 并给出小波系数的阈值; 在备择假设成立的条件下,给出变点个数、变点位置的相合估计与收敛速度. 最后利用模拟研究与实例分析说明了方法的有效性和实用性, 并与“UNI”方法以及“GOF”方法作比较, 说明对于噪声为单位根过程的非参数函数变点的检测问题, 本文所提的方法更加有效.     

带结构检测的非局部均值图像去噪算法

针对非局部均值(NL-Means)图像去噪算法有大量结构残留的问题,提出一种带结构检测的NL-Means滤波算法。首先使用一个结构分析器对噪声图像进行预处理,突出图像中的细节信息,然后利用边缘检测的结果调节NL-Means算法相似性度量,为了保留图像的边缘内容让具有相似边缘内容的像素能够获得更大的权,而边缘内容不相似邻域有较小的权（或为零）。实验结果表明：该算法提高了NL-Means算法的去噪能力,滤波后的图像结构相似度更高,改善了图像的视觉质量。     

分布参数系统的输出变结构控制

对一类不确定分布参数系统，本文给出一输出变结构控制设计，不同于以往文献的工作，这里给出的控制仅利用了系统的输出量，因所设计的控制是有限维的。最后给出一仿真实例。     

板材多点成形过程的非参数模型及自适应控制

研究了三维板类件的多点成形复杂的非线性过程。将影响成形精度的诸多因素看作系统扰动,成形过程简化为离散的单输入单输出系统,得到其非参数模型。在满足一定假设务件的前提下,多点成形过程可线性化为一个带有单参数的线性时变系统：通过对系统的分析,得到了多点成形过程的闭环递推自适应控制算法。仿真结果表明,在自适应算法的逐次控制下,工件形状以较快的速度收敛到设计的目标形状,实现了对板类件多点成形这一复杂过程的有效控制。     

基于前向查找和均值漂移的点模型鲁棒降噪算法

针对点模型提出了基于前向查找和均值漂移两种鲁棒统计方法的滤波算法。前向查找算法根据残差图自动检测离群点,并将输入的点云数据划分为多个不带离群点的最优局部降噪邻域。对局部邻域进行加权协方差分析,估计出该邻域的最小二乘拟合平面。在局部邻域内估计采样点的核密度函数并通过均值漂移算法计算它的局部最大值点,核密度函数的局部最大值点确定了点云数据的聚类中心并能准确逼近采样点曲面,将每一个采样点漂移到密度函数的局部最大值点,使点云曲面收敛为一个稳定的三维数字模型。实验结果表明,本文的算法是鲁棒的,能在有效剔除点模型表面噪声的同时较好地保持模型表面的尖锐特征。     

Goodness-of-fit tests for the error distribution in nonparametric regression

Suppose the random vector (X,Y) satisfies the regression model Y=m(X)+σ(X)ε, where m(⋅) is the conditional mean, σ²(⋅) is the conditional variance, and ε is independent of X. The covariate X is d-dimensional (d≥1), the response Y is one-dimensional, and m and σ are unknown but smooth functions. Goodness-of-fit tests for the parametric form of the error distribution are studied under this model, without assuming any parametric form for m or σ. The proposed tests are based on the difference between a nonparametric estimator of the error distribution and an estimator obtained under the null hypothesis of a parametric model. The large sample properties of the proposed test statistics are obtained, as well as those of the estimator of the parameter vector under the null hypothesis. Finally, the finite sample behavior of the proposed statistics, and the selection of the bandwidths for estimating m and σ are extensively studied via simulations.     

Consistent estimation in regression models for the drift function in some continuous time models

A regression-based consistent estimation method for the drift function in some continuous time models is suggested, and its limiting distribution is derived. The accuracy of the new estimation method is examined via some finite sample Monte Carlo simulation studies. The proposed approach is employed to estimate the drift function for the U.S. Treasury Bill yields data, assuming the appropriateness of the model under consideration for it. Our approach offers an explanation for versatile conclusions on the shape of drift function in the existing literature.     

基于非参数核密度模型的交通图像目标提取

针对现有目标提取和去噪方法不能很好地满足城市交通图像车辆目标提取的要求,提出基于概率比较结合形态学闭操作的目标提取去噪方法。通过非参核密度估计算法建立背景模型,获得每个像素点上各灰度值的出现概率,提取出前景目标;分别计算前景目标是属于车辆移动还是树叶抖动的概率,通过概率比较去除噪声,用形态学闭操作进一步去噪。实验结果表明,提出的算法较好地实现了树叶噪声与车辆目标的分离,能有效去除树叶抖动噪声,正确提取车辆目标,具有良好的抗噪性。     

基于时域有限差分和非参数核回归的室内移动通信干扰信号预测模型研究

针对网络优化和干扰实施中电磁辐射预测准确率不高的问题,本文利用多制式移动通信干扰器对室内的复杂场景进行了干扰防护的信号强度预测,对实际场景建立几何模型后采用时域有限差分算法获得信号强度预测值,并结合实际测量改进非参数核回归预测算法获得统计分析预测值,最后提出混合加权预测模型,对电磁辐射进行定量预测分析。预测结果表明,本文提出的基于时域有限差分算法和非参数核回归算法的混合加权预测模型能对复杂室内场景下信号强度进行预测,准确率较高。     

Alternative approaches to implementing Lagrange multiplier tests for serial correlation in dynamic regression models

An approximate F-form of the Lagrange multiplier (LM) test for serial correlation in dynamic regression models is compared with three bootstrap tests. In one bootstrap procedure, residuals from restricted estimation under the null hypothesis are resampled. The other two bootstrap tests use residuals from unrestricted estimation under an alternative hypothesis. A fixed autocorrelation alternative is assumed in one of the two unrestricted bootstrap tests and the other is based upon a Pitman-type sequence of local alternatives. Monte Carlo experiments are used to estimate rejection probabilities under the null hypothesis and in the presence of serial correlation.     

递推局部线性回归估计及其应用

在非参数统计中,局部多项式回归是重要的工具,然而以往研究的算法基本都是非递推的.本文研究递推的局部线性回归估计及其应用.首先推导出递推算法,给出了回归函数及其导函数的非参数估计.在一定的条件下,证明了算法的强一致性.并且通过仿真例子研究了它在非线性条件异方差模型的回归函数估计和非线性ARX(nonlinear autoregressive system with exogenous inputs,NARX)系统辨识中的应用.     

Advancing post-earthquake structural evaluations via sequential regression-based predictive mean matching for enhanced forecasting in the context of missing data

After an earthquake, every damaged building needs to be properly evaluated in order to determine its capacity to withstand aftershocks as well as to assess safety for occupants to return. These evaluations are time-sensitive as the quicker they are completed, the less costly the disaster will be in terms of lives and dollars lost. In this direction, there is often not sufficient time or resources to acquire all information regarding the structure to do a high-level structural analysis. The post-earthquake damage survey data may be incomplete and contain missing values, which delays the analytical procedure or even makes structural evaluation impossible. This paper proposes a novel multiple imputation (MI) approach to address the missing data problem by filling in each missing value with multiple realistic, valid candidates, accounting for the uncertainty of missing data. The proposed method, called sequential regression-based predictive mean matching (SRB-PMM), utilizes Bayesian parameter estimation to consecutively infer the model parameters for variables with missing values, conditional based on the fully observed and imputed variables. Given the model parameters, a hybrid approach integrating PMM with a cross-validation algorithm is developed to obtain the most plausible imputed data set. Two examples are carried out to validate the usefulness of the SRB-PMM approach based on a database including 262 reinforced concrete (RC) column specimens subjected to earthquake loads. The results from both examples suggest that the proposed SRB-PMM approach is an effective means to handle missing data problems prominent in post-earthquake structural evaluations.     

粒子群优化算法在函数均值求解中的应用研究

针对函数的均值计算在工程与理论分析上的重要作用,在对粒子群优化算法（PSO）的整体极值、局部极值的模型进行调整的基础上,提出利用粒子群算法求解函数均值问题。该算法以当前所有粒子的平均值作为整体均值,粒子当前的平均值作为该粒子的局部均值,使粒子朝着目标函数的均值靠近,从而达到求出函数在一个区间段上的均值。数值计算结果验证了算法的有效性,并将其用于计算定积分,获得满意的结果。