矩阵正态分布均值矩阵的k-容许线性估计

本文考虑以下问题:设n×m 随机矩阵Y有分布N(Θn×m,Im(○×)Σn×n),即Vec(Y)服从均值向量为Vec(Θ)、协方差矩阵为I(○×)Σ的多元正态分布,其中Θ为未知矩阵,I为单位阵.本文讨论当Σ已知时,均值矩阵Θ的k-容许线性估计.称以上分布为矩阵正态分布.     

矩阵正态分布均值矩阵的容许线性估计（Ⅱ）

本文考虑以下问题 :设 n× m随机矩阵 Y有分布 N(λn× m,Vm× m φn× n) ,即 Vec( Y)服从均值向量为Vec( λ)协方差矩阵为 Vm× m φn× n的多元正态分布 ,其中 λ为未知矩阵 .讨论当 V,φ已知时 ,矩阵 Sλ在两种比较标准下的容许线性估计 .称以上讨论的分布为矩阵正态分布 .     

矩阵正态分布均值矩阵的容许线性估计(Ⅱ)

本文考虑以下问题:设n×m随机矩阵Y有分布N(Θn×m,Vm×m( )Σn×n),即Vec(Y)服从均值向量为Vec(Θ)协方差矩阵为Vm×m( )Σn×n的多元正态分布,其中Θ为未知矩阵.讨论当V,Σ已知时,矩阵SΘ在两种比较标准下的容许线性估计.称以上讨论的分布为矩阵正态分布.     

矩阵损失下受约回归系数的可容许线性估计

讨论带有齐效线性等式约束的线性模型：Y＝Xβ＋ε，ε－（0，σ^2V），Hβ＝0，在矩阵损失下，我们给出了Sβ的估计LY（LY＋a）在齐次线性（非齐次线性）估计类中可容许的充要条件。     

矩阵损失下线性模型中回归系数可容许估计

考虑线性模型Y =Xβ +ε ,Eε=0 ,D(ε) =σ2 V ,其中X列满秩 ,V为正定矩阵。在矩阵损失下 ,吴启光得到了回归系数 β的线性估计在非齐次线性估计类中可容许的充分必要条件 ,该定理结论与BaksalaryJK和MarkiewiczA在二次损失下所得结果在表达式上有所不同。为了得到相近的结论 ,对吴启光的结果做了进一步仔细分析 ,得到结果如下 :在矩阵损失下回归系数 β的线性估计AY +g在非齐次线性估计类中可容许当且仅当XAV对称 ,且AX =I时 g =0或AX≠I时 a∈ (0 .1)有τ(AX) (-∞ ,(a - 1) / (a +1) ]∪ [1,+∞ )。自然地 ,对 β的齐次线性估计AY在非齐次估计类中的可容许估计的等价条件为XAV对称且AX =I。这一结果能更清晰地表明在二次损失下 β的可容许估计必是在矩阵损失下的可容许估计 ,并且有助于讨论其它线性模型的相应结论     

多元线性模型中系数矩阵的Minimax可容许估计

对于多元线性模型Y=XΘ＋ε,E（ε^→）=0,COV（ε^→）=σ^2△↓×Σ,在该模型中,Θ是未知参数矩阵,此处选取的损失函数是矩阵损失,在齐次线性估计类L={AY：A是k×n的常数矩阵}中给出了多元回归系数矩阵的可估函数SΘ的Minimax容许估计,并且证明了其唯一性.     

一类混合正态分布的均值估计

考虑一类混合正态分布的均值估计问题，在损失函数为Ｌ（δ，μ）＝（δ－μ）‘×（δ－μ）下，给出了优于Ｊａｍｅｓ－Ｓｔｅｉｎ型估计的一类估计。     

短阵损失下线性模型中回归系数可容许估计

考虑线性模型Y＝Xβ ε,Eε＝0,D（ε）＝σ^2V,其中X列满秩,V为正定矩阵,在矩阵损失下,吴启光得到了回归系统β的线性估计在非齐次线性估计类中可容计的充分必要条件,该定理结论与BaksalaryJK和MarkiewiczA在二次损失下所得结果在表达式上有所不同。为了得到相近的结论,对吴启光的结果做了进一步仔细分析,得到结果如下：在矩阵损失下回归系数β的线性估计AY＋g在齐次线性估计类中可容许当且仅当XAV对儿,且AX＝I时g=0或AX≠I时任意α∈（0,1）有τ（AX）不包含于（－∞,α－1）／（α＋1）]∪（1,＋∞）,自然地,对β的剂次线性估计AV在非齐次估计类中的可容许估计的等价条件为XAV对称且AX＝I。这一结果能更清晰地表明在二次损失下β的可容许估计必是在矩阵损失下的可容许估计,并且有助于讨论其它线性模型的相应结论。     

矩阵损失下受约回归系数的可容许线性估计

讨论带有齐次线性等式约束的线性模型:Y=Xβ+ε,ε～(0, σ_V),Hβ=0,在矩阵损失下,我们给出 Sβ的估计 LY(LY+a)在齐次线性(非齐次线性)估计类中可容许的充要条件.     

中国区域性大气加权平均温度线性模型精度评估

以欧洲中期天气预报中心的再分析资料ERA5为参考数据,评估由探空数据建立的中国区域88个单站大气加权平均温度(Tm)与地表气温(Ts)线性关系模型的精度.各站Tm-Ts线性模型计算的Tm(计算值)与ERA5气压层数据积分所得的Tm(参考值)间偏差均方根值(RMSE)为1.8～5.5 K.不同站模型计算值与参考值间存在-...     

利用矩阵方法求解线性规划问题

在线性规划问题中,通过线性规划的数学模型构造矩阵,利用矩阵的方法来解决线性规划的最优解问题。     

基于矩阵正态分布似然比测试的矩阵度量学习算法

本研究基于KISS(keep it simple and stupid)算法,利用似然比测试直接为矩阵模式定义度量,解决了现有大多数度量学习算法需要经过复杂优化过程的问题。通过在似然比测试中有目的地引入矩阵正态分布,该度量无需将矩阵模式通过向量化的方法变成向量模式,因而具有如下优点:(1)能够避免维数灾难;(2)比KISS更鲁棒;(3)无需计算大矩阵的逆和特征值分解,因此计算远快于KISS算法。最终的实验验证了该算法的优势。     

矩阵在线性规划中的应用

依据线性规划理论给出了线性规划问题中的最基本的求解方法—单纯形法的一种矩阵解法。     

EVS椭球等高矩阵分布中的正态性刻划

近年来多人研究了模型误差服从椭球等高分布情况下的性质,并得出较好结论.在假定样本服从向量椭球等高分布情况下,进一步完善样本来自正态分布的等价性刻划.     

多元退化正态分布参数的极大似然估计

设m维随机向量y服从多元退化正态分布,即y～Nm（μ,V）,其中V≥0且|V|＝0.本文利用矩阵的广义道作为表示工具来讨论参数μ,V的极大似然估计,得到了与非退化情形下表达形式—致的似然估计的一般表达式.