在线Group Lasso学习

对高维流式数据的在线组变量选择问题进行了研究，提出了带Group Lasso惩罚的逻辑斯蒂回归在线估计方法，并给出了GFTPRL (Group Follow the Proximally Regularized Leader)算法。通过给出GFTPRL算法的缺憾界，证明了算法在理论上是有效的。实验结果表明，对于稀疏模型GFTPRL算法的预测分类准确率明显优于其他主流稀疏在线算法。     

集成特征选择在VRF系统制冷剂充注量故障诊断中的应用

针对VRF系统故障诊断存在的数据量大、特征冗余等问题,本文提出一种前向搜索优化的集成特征选择方法,该方法将单一特征选择方法得到的特征子集进行整合,以获得预测性能更好的特征变量。首先分别利用mRMR算法、ReliefF算法、随机森林算法、Adaboost.M1算法和Boruta特征选择算法对实验数据进行特征选择,然后利用前向搜索策略得到集成后的特征排序,并与算术平均、众数投票两种集成方法形成对比。最后,分别采用上述特征选择方法获得的关键特征变量作为模型的输入变量建立相应的故障诊断模型,通过对比发现前向搜索集成获得了最高的预测准确率,选出了最具代表的特征变量。     

线性回归模型的Boosting变量选择方法

针对线性回归模型的变量选择问题,本文基于遗传算法提出了一种新的Boosting学习方法.该方法对每一训练个体赋予权重,以遗传算法作为Boosting的基学习算法,将带有权重分布的训练集作为遗传算法的输入进行变量选择.同时,根据前一次变量选择效果的好坏更新训练集上的权重分布.重复上述步骤多次,最后以加权融合方式合并多次变量选择的结果.基于模拟和实际数据的试验结果表明,本文新提出的Boosting方法能显著提高传统遗传算法用于变量选择的质量,准确识别出与响应变量相关的协变量,这为线性回归模型的变量选择提供了一种有效的新方法.     

纵向数据下部分线性EV模型的变量选择

本文考虑了纵向数据下部分线性EV模型的变量选择问题,采用SCAD惩罚方法提出了一个变量选择过程.通过选择适当的惩罚参数,证明了该变量选择过程可以相合地识别出真实模型,并且所得的正则估计具有Orcale性质.最后模拟研究了所提出方法的有限样本性质.     

基于偏最小二乘回归的军用飞机采购价格预测

考虑到军用飞机采购价格样本数据少、难于预测的特点和偏最小二乘回归方法在处理小样本多元数据方面的优势，提出一种基于偏最小二乘回归的军用飞机价格预测方法。偏最小二乘回归首先提取第一、第二主成分对采购价格样本的特异点进行剔除；然后进行变量投影重要度分析来筛选变量；最后，偏最小二乘回归对筛选的变量进行回归建立军用飞机价格预测模型，并对军用飞机价格进行预测，结果表明，在军用飞机价格预测方面，与未筛选变量的回归模型和逐步多元回归相比，经过变量筛选的偏最小二乘回归模型预测的精度更高，更能体现采购价格与飞机性能参数乏问的关系。     

人的可靠性模型的回归分析

根据回归分析理论,提出了建立人的可靠性单变量模型的一般方法。并在试验的基础上,利用子样试验数据,构造了小型人群的动作可靠性的单变量模型。     

群体高层建筑基于混合回归模型的风响应时域分析

针对多维ＡＲ模型同时求解回归系娄 阵所有元素的一些不足之处，本文提出了混合回归模型，数据模拟实验表明，混合回归模型对脉动风的仿真是有效的，用于群体高层建筑的风响应时域分析，能得到令人满意的结果。     

混合噪声总烦恼度模型比较研究

以城市环境中普遍存在且影响最大的混合噪声(由多种单一噪声以不同方式组合成的噪声)道路交通噪声为例,在完成对典型车辆噪声分类的基础上,依据所提出的混合噪声组合方式,借助主观评价实验,重点研究3种不同类型车辆噪声"同时作用"下的混合噪声烦恼度,对现有总烦恼度模型进行全面比较分析.研究发现:(1)矢量叠加模型的计算值与评价实验测量值之间的相关性最好,主导源模型次之,线性回归模型较差;(2)主导源模型的预测误差最小,线性回归模型较大,矢量叠加模型预测误差最大.由此可见,混合噪声总烦恼度模型评价性能的优劣不能仅依据模型预测值和评价测量数据的相关性高低来衡量.     

遗漏变量下多元非参数核估计渐近偏误的一致估计框架

在经济学、社会学、医学、生物学、农业等诸领域的研究中，由于数据获取的困难、实验条件的限制、研究经验的不足以及失误等因素，研究者往往会在回归模型的设定中遗漏掉关键的解释变量，使得遗漏变量模型的识别与处理成为一个广泛存在的问题。由此，提出了一种统一的识别、估计与比较框架，使得针对遗漏变量回归模型的任意非参数核估计量的渐近偏误都可以得到识别与估计。应用此框架，考察了遗漏变量下Nadaraya-Watson估计量、Gasser-M¨uller估计量以及局部线性估计量的精确渐近性质，发现遗漏变量下Gasser-M¨uller估计量与局部线性估计量的渐近偏误一样大，且都比Nadaraya-Watson估计量的渐近偏误小。此外遗漏变量下线性参数模型估计量的渐近性质也可以通过本文提出的框架与方法推导出来。在此基础上，进一步探讨了局部线性核估计量的一个没被注意到的优良性质。     

结构向量自回归模型因果图的信息论辨识方法

由观测数据确定变量间的因果关系是时间序列分析的重要内容.本文利用图模型方法研究结构向量自回归模型变量间的因果关系,通过时间序列因果图的建立将问题转化为时间序列因果图结构的辨识.基于信息论方法提出了因果性定向的三步准则,利用关联积分估计互信息和条件互信息.模拟结果显示本方法能更有效地辨识结构向量自回归模型因果图的因果结构.     

-混合样本下缺失数据情形线性模型回归系数的经验似然比统计量的渐近分布

-混合的概念作为弱相关的衡量尺度在实际中被广泛应用,且缺失数据现象在各领域常有发生,已有文献对相依和缺失数据两种情形的统计推断分别进行了深入研究,但对同时存在相依和缺失数据情形的研究较少.本文研究既有相依又有缺失情形的统计推断,即研究-混合样本下缺失数据情形线性模型回归系数的经验似然比统计量的渐近分布.我们采取回归填补方法对响应变量的缺失值进行补足,得到线性模型回归系数的"完全"样本数据.在此基础上利用记分函数构造线性模型回归系数的经验似然比统计量,在一定条件下证明经验似然比统计量渐近服从卡方分布,这一结论为构造-混合样本下缺失数据情形线性模型回归系数的置信域提供了理论依据.     

基于VPMELM的滚动轴承劣化状态辨识方法

针对变量预测模型模式识别方法(VPMCD)仅仅包含几种简单数学模型的问题,所建立的预测模型不足以反映特征值之间的复杂关系;极限学习机(ELM)回归模型是一种复杂且被广泛应用的模型,其模型可以反映特征之间的相互关系。结合极限学习机回归模型和VPMCD方法的优点,提出了一种基于极限学习机的变量预测模型(VPMELM)模式识别方法,并将该方法应用于滚动轴承劣化状态实验中。实验表明,基于VPMELM的辨识方法可以有效地对滚动轴承的劣化状态进行识别。     

基于向量自回归模型的移动通信基站流量预测

城市移动通信基站流量的准确预测对于关键基站的拥堵控制、基站新址的选择有着重要作用。基站流量数据不仅是区域的静态表现,同时也反映区域人员的流动特性。基站流量具有非线性混沌特性,而传统的线性时间序列方法比如自回归移动平均模型难以有效地捕获实际基站流量序列中复杂的非线性因素。同时,仅考虑单个基站时间序列而忽略邻近基站的影响并不能反映基站流量的动态特征。基于向量自回归模型(VAR)对大规模基站流量数据进行整体分析,将多响应变量预测问题转化为单响应变量预测模型,运用Lasso变量选择方法筛选目标基站的重要关联基站。实例表明,相对于传统预测方法,VAR-Lasso类方法不仅提高了基站流量的预测精度,同时也实现了大规模基站的实时预测。     

极值分布下联合位置与散度模型的变量选择?

极值分布在地震、洪灾和其它自然灾害的预测中是非常有用的.在许多应用方面,很有必要对散度建模.本文推广经典极值回归模型,研究了联合位置与散度模型,并提出了一种同时对位置模型和散度模型的变量选择方法.同时证明了惩罚极大似然估计具有相合性和 oracle 性质,通过随机模拟研究了所提出方法的有限样本性质.     

消除复共线性影响的一种新的解决办法

基于响应变量和解释变量的数据中都含有观测误差这一新的认识．将设计矩阵中有复共线性的多元线性回归模型修正为一种多元线性Errorg—in—variables模型，从而尽量消除复共线性的影响，得到较好的回归系数估计，文中给出了两个模拟倒子，表明了用此修正模型所得的估计结果非常接近参数真值．从前说明提出的方法是一种很有效的消除复共线性影响的方法。     

时延系统中T-LSSVR动态软测量建模方法研究

针对工业过程中由于系统存在延时导致软测量模型难以建立、模型精度偏低等问题,提出将系统延时(T)与最小二乘支持向量回归机(LSSVR)相结合,构建一种基于T-LSSVR的动态软测量建模方法;该方法在建模过程中利用互相关函数与一阶广义差分算法辨识得到“静态响应延时”和“动态响应延时”,通过软测量手段对变量进行预测以实现辅助变量对主导变量的最佳估计。对某化工企业具有此类双延时性质的系统进行实验,实验结果表明该建模方法在动态和稳态数据预测方面都有良好的预测效果。     

民航飞行员安全绩效的建模与预测——多元线性回归模型与Elman神经网络模型的比较与应用

目的探讨飞行员安全绩效、飞行疲劳与家庭-工作冲突之间的非线性关系,以及人工神经网络模型(Artificial Neural Network,ANN)与传统回归模型的优劣。方法本研究使用RBF(径向基)神经网络与多元回归(multiple linear regression,MLR)对数据进行分析与建模,并对比两种模型的评价指标。结果相比于MLR模型,RBF神经网络模型具有更高的拟合与预测精度,基于神经网络模型所绘制的3D表面图显示上述三个变量的部分分维度间存在非线性关系。结论作为一种新的研究方法,人工神经网络模型能更准确深入的描述分析变量间的关系,在人因学相关研究领域有一定的应用前景。     

基于改进Ibarra-Medina-Krawinkler材料模型的RC圆柱恢复力模型参数识别

该文基于美国太平洋地震工程研究中心结构性能数据库中的76根弯曲破坏及弯剪破坏的钢筋混凝土(Reinforced concrete, RC)圆柱试验数据,以峰值指向型改进Ibarra-Medina-Krawinkler (I-M-K)材料模型作为恢复力模型,采用OpenSEES有限元平台对所选择的RC圆柱试验数据进行数值模拟,识别得到了每一RC圆柱的恢复力模型参数。选取RC圆柱的15个基本设计参数为基本变量,采用多元线性回归和分步拟合,获得了RC圆柱恢复力模型参数的经验预测公式(值)。通过对试验验证组中3根RC圆柱的滞回试验数据进行模拟,对该文提出的RC圆柱恢复力模型参数的经验预测公式(值)的合理性进行了验证。结果表明:该文获得的经验预测公式(值)可以较为准确地预测RC圆柱的恢复力模型参数,可以较合理地反映RC圆柱在循环加载过程中的强度及刚度的退化特征。     

锅炉炉膛热负荷分布拟合算法研究

锅炉炉膛辐射热负荷测量及分布规律的研究可为蒸发受热面及节流孔设计提供必需的数据。提出了炉 膛热负荷测量数据的处理方法,将测得的热负荷数据转换成相对于蒸发受热面平均热负荷的分配不均系数,该系数是炉膛相对高度的函数,它的多项式回归模型不仅要使误差平方和达到最小,而且根据平均热负荷的定义,多项 式系数还要满足给定的等式约束。对于采用普通燃烧技术和空气分级燃烧技术的两类燃煤锅炉,利用该回归模型拟合炉膛辐射热负荷数据,得到不同的分布规律,并与某300 MW锅炉炉膛热负荷测量数据进行了对比;这种以最 小二乘法为基础的改进回归模型既满足了回归变量的内在联系,又对测量数据进行了最佳逼近。     

数据驱动工业异常值检测与容错模型研究

针对工业过程控制数据异常时,控制系统无法实现闭环稳定可靠工作的问题,提出一种基于KNN算法和Ridge回归算法结合对异常数据高精度恢复,并设计实现控制系统容错运行的数据驱动模型.首先利用基于径向基核函数的支持向量回归机(RBF-SVR)观测器对目标变量状态进行异常检测,其次使用Ridge算法对异常数据点的K个最近邻工况...