少年游泳运动员选材的研究——辽宁省业余体校游泳队男女队员形态、机能相关矩阵、回归矩阵及判别分析

一、前言运动员的选材工作十分重要。近年来,随着游泳运动水平和成绩的不断提高,选材工作越来越引起人们的重视,并且把它作为攀登世界游泳运动高峰的一项重要战略措施。“选材成功就意味着训练成功的一半”。确实好的苗子再加上科学的训练是完全能够培养出优秀的游泳运动员的。在选材问题上,我辽宁省广大教练员。

基于行稀疏的局部约束矩阵回归模型的人脸识别研究

人脸识别是图像处理领域中一个经典而重要的问题。关于人脸识别有许多研究课题。在这些课题中,处理连续遮挡或光照变化是目前最具挑战性的问题之一。针对无遮挡与大面积遮挡下的人脸识别,本文设计基于行稀疏的局部约束矩阵回归模型(RSLMR)。该模型对误差矩阵施加l2,1-范数约束,而不是对误差矩阵直接施加核范数约束。此外,RSLMR利用测试图像内部的相似性添加关于重建图像的正则化项,还利用距离信息对类进行加权。此外,RSLMR通过减小表示系数相邻值的差异,迫使训练样本对应的系数值相近,以此利用类内所有训练样本的协作关系。最后,采用交替方向乘子法(ADMM)来求解所提出的模型。在FERET、ORL与CMU_PIE人脸数据库上的实验结果展示了RSLMR的有效性。与其他回归模型相比,即使存在大面积的遮挡区域,RSLMR也能保持较高的识别率。

联合松弛块对角表示矩阵回归的遮挡人脸识别

基于核范数矩阵回归的方法能够有效解决人脸识别中连续遮挡的问题,然而该类方法仅关注误差图像的低秩结构信息,忽略了样本图像表示的相关性。为了有效解决自然场景下的遮挡人脸识别问题,考虑到这一特点,提出一种联合松弛块对角表示的矩阵回归模型(RBDMR)学习图像的松弛块对角表示,并通过动态优化表示矩阵的块对角分量加强类内表示的相关性和类间表示的差异性。此外,通过联合优化训练样本和测试样本的表示持续提高类内表示的一致性。通过在三个不同的数据集进行验证,实验结果表明,该方法优于其他对比算法,在真实遮挡和光照变化的情况下有较好的性能。

多因变量矩阵回归预报方法

本文针对一个因变量多元回归在气象预报应用中的不足和局限，引入多因变量多元回归，讨论了应用中的公共预报因子问题和因子筛选问题，并对多因变量回归与单因变量回归、场展开预报、逐步回归、逐段回归等方法进行了比较。

高维约束矩阵回归问题

高维约束矩阵回归是指高维情况下带非凸约束的多响应多预测统计回归问题,其数学模型是一个NP-难的矩阵优化,它在机器学习与人工智能、医学影像疾病诊疗、基因表达分析、脑神经网络、风险管理等领域有广泛应用.从高维约束矩阵回归的优化理论和算法两方面总结和评述这些新成果,同时,列出了相应的重要文献.

基于样本特征核矩阵的稀疏双线性回归

在许多实际应用中出现了大量的冗余数据,这些数据可能是高维的,这时进行回归预测将会出现过拟合的现象,并且还会出现预测精度偏低等问题。另外,大多数回归方法都是基于向量的,忽略了矩阵数据原始位置之间的关系。为此,文中提出了一种基于样本特征核矩阵的稀疏双线性回归(Kernel Matrix-based Sparse Bilinear Regression,KMSBR)方法。该方法直接将数据矩阵作为输入,其是通过左右回归系数矩阵而建立的,利用样本的特征核矩阵和L 2,1范数,能够同时实现对样本及样本特征的选择,且考虑了数据的原始位置,提高了算法的性能。在若干数据集上的实验结果表明,KMSBR能有效地选择相对重要的样本和特征,从而提高算法的运行效率,且其预测精度优于已有的几种回归模型。

用矩阵回归方法作德阳春季寒潮预报

本文从数值预报模式在不同时次输出同一时刻预报产品的稳定性出发,采用MATLAB6.5语言进行矩阵回归运算,建立德阳5站春季（3～4月）24～96小时逐日平均气温预报模型,从而作出德阳春季寒潮预报.

用M方法检测回归系数矩阵的秩(英文)

为了确定多重线性回归模型中回归系数矩阵的秩， 本文提出了一个基于Ｍ估计的模型选择程序， 且在较弱的条件下建立了回归系数矩阵的秩的估计的强相合性。

生长曲线模型中回归参数矩阵的GSLS估计

对生长曲线模型（１），在设计矩阵呈病态时，提出了一类改进估计———广义压缩估计类．讨论了这类估计的可容许性和均方误差下的比较．

矩阵损失下多元线性模型中回归系数矩阵的线性估计可容许性的研究进展

综述了多元线性模型中回归系数矩阵的可估线性函数的线性估计在两种不同的矩阵损失函数下、不同估计类中的可容许性.分别考虑了矩阵齐次线性估计和矩阵非齐次线性估计,以及矩阵齐次线性估计类、矩阵线性估计类和一切矩阵估计组成的估计类.在协方差阵未知的情形下,总结了回归系数矩阵的线性估计在不同估计类中的可容许性,其中,研究在一切估计组成的估计类中的可容许性问题需要正态分布假设.

多因变量双因子集矩阵回归预报方法

在多因变量多元回归中,采用单因子筛选引入公共预报因子进行矩阵回归预报时,由于自变量间互相关联,有可能存在这样的双因子,单个因子回归检验不太显著,但2个因子检验变得显著,势必造成某些预报信息的遗漏。基于此该文引入多因变量双因子集矩阵回归预报方法,通过对玉溪市9站点5月雨量预报检验,预报效果明显高于单因子筛选回归,尤其对特多特少异常年更具有指导意义。

增长曲线模型中回归系数的广义根方估计

本文对增长曲线模型中的回归系数B提出了一种新的估计形式———广义根方估计B^(K),其中K=diag(k1,k2,…,kp),并证明了通过广义根方偏参数ki(i=1,2,…,p)的适当选取可使得该估计在均方误差和均方误差矩阵的意义下优于已有的LS估计和根方估计;及广义根方估计是可容许估计.本文还给出了选取广义根方偏参数的两种方法、算法及一个应用实例.

低秩特征选择多输出回归算法

针对现有回归算法没有考虑利用特征与输出的关系,各输出之间的关系,以及样本之间的关系来处理高维数据的多输出回归问题易输出不稳定的模型,提出一种新的低秩特征选择多输出回归方法。该方法采用低秩约束去构建低秩回归模型来获取多输出变量之间的关联结构;同时创新地在该低秩回归模型上使用L_(2,p)-范数来进行样本选择,合理地去除噪音和离群点的干扰;并且使用L_(2,p)-范数正则化项惩罚回归系数矩阵进行特征选择,有效地处理特征与输出的关系和避免"维灾难"的影响。通过实际数据集的实验结果表明,提出的方法在处理高维数据的多输出回归分析中能获得非常好的效果。

基于Lasso惩罚的迹差损失方法高维协变量调整的稀疏精度矩阵估计（英文）

本文运用两阶段估计程序给出了协变量调整的精度矩阵估计.首先,运用联合l1惩罚方法确定影响均值的相关协变量.然后,将估计出的回归系数用于估计多元次高斯模型的均值,并通过Lasso惩罚的迹差损失方法对稀疏精度矩阵进行估计.在一些假设条件下,建立了精度矩阵估计的不同范数的收敛速率,并证明了依概率1收敛的稀疏恢复性质.数值结果表明,在有限样本情况下,同其他方法相比,我们的方法具有一定的优越性.

木果柯功能性状的种内变异及其与遗传·环境和个体发育的关系

依托哀牢山按公里网格布设的20个亚热带常绿阔叶林1 hm^(2)动态样地,选取样地内所有胸径(Diameter at breast height,DBH)≥10 cm的木果柯(Lithocarpus xylocarpus)个体作为研究对象,测量其6个功能性状(叶面积、比叶面积、叶片厚度、叶干物质含量、叶绿素含量和枝条木质密度),利用基于距离矩阵的多元回归解析遗传变异、环境距离、个体发育阶段差异对木果柯功能性状种内变异的相对作用。结果表明:木果柯的功能性状均存在不同程度的种内变异,叶面积变异最大,其次是比叶面积和叶片厚度,木质密度、叶干物质含量和叶绿素含量变异较小;对种内变异程度最大的叶面积来说,个体发育阶段差异的正效应最强,其次是遗传变异,环境距离的正效应最弱;遗传变异对叶绿素含量种内变异的正效应在所有性状中最强,而环境距离对比叶面积的正效应在所有性状中最强。

基于卷积神经网络与特征选择的医疗图像误差预测算法

针对传统医疗图像误差预测算法无法很好的选择图像特征,存在图像误差预测值与实际值拟合度低、预测耗时长等问题,提出基于卷积神经网络与特征选择的医疗图像误差预测算法.首先,选取5种集成规则构建自适应多分类器,对医疗图像区域进行分类;其次,训练卷积神经网络,利用训练完成的神经网络提取不同类别医疗图像区域特征,以此为基础计算区域距离,寻找出相似度最小的区域,完成图像可疑区域定位;再次,融合多评价标准生成特征子集,从中搜索得到最优特征子集,完成可疑区域图像特征选择;最后,以选择得到的特征区域像素点作为训练样本,建立预测样本与训练样本之间的多元线性回归矩阵,实现误差预测.实验结果表明,所提算法的集成规则适应度较高,分类性能好,区域距离计算准确率高达95%左右,特征选择的AUC值(Area Under Curve)高,且预测结果拟合度和预测耗时均优于传统算法.

基于交叉耦合字典与随机森林的单帧超分辨率算法

针对一般单帧图像超分辨率算法运行速度较慢和参数冗余问题,提出一种基于交叉耦合字典,并给出利用随机森林算法解决多元回归问题的单帧超分辨率算法。引出耦合字典中最核心的问题,即从LR图像块到HR图像块的映射问题,得到单帧超分辨率与局部线性回归的关系,设计新的正则化目标函数,并利用随机森林算法优化该目标函数。实验结果表明,与广义相似最近邻域算法、基于实例的邻域回归超分辨率算法等相比,该算法能获得较高的峰值信噪比和结构相似性指标,且所得结果图像纹理更加丰富自然。

增长曲线模型非齐次线性估计的可容许性

本文讨论了增长曲线模型中回归矩阵的函数的估计 ,在矩阵损失下 ,作者得到了非齐次线性估计在非齐次线性估计类中可容许的充要条件。

矩阵时间序列的减秩自回归模型及其应用

在矩阵维度较高或行(列)变量相关性较强的情况下,已有矩阵自回归模型的应用将面临预测精度下降与解释能力不足的双重挑战.为解决上述问题,本文提出减秩矩阵自回归模型及减秩-迭代最小二乘估计方法.通过设定系数矩阵的低秩结构,降低自变量维度及待估参数数目,该模型既能有效保证估计精度,增加预测准确性,又可简化变量间关系,提升解释能力.进一步,本文证明了估计方法的理论渐近性质,并指出模型秩的确定可采用最小特征值比率准则.数值模拟显示,在秩约束条件下,减秩矩阵自回归模型及其估计方法表现更优.最后,该模型被应用于城市空气质量研究,实证结果充分体现了其降维去噪,准确预测及有效解释的优势.

增长曲线模型中线性估计类所有可容许估计

对增长曲线模型中回归矩阵的函数的线性估计进行了研究。在矩阵损失下 。