局部平稳扩散模型中时变参数的加权最小二乘估计

基于离散观测样本,利用局部线性拟合,得到了局部平稳扩散模型中时变漂移参数的加权最小二乘估计,并讨论了估计量的相合性,渐近正态性和一致收敛速度.同时,通过模拟研究说明了估计量的有效性.

非视距环境下核密度估计的全球卫星导航系统鲁棒定位方法

非视距(NLOS)传输会引起全球卫星导航系统(GNSS)接收机的伪距测量误差,最终导致定位解出现较大误差,这一问题在城市峡谷等复杂环境下尤为突出。针对该问题,该文提出核密度估计的鲁棒定位方法,其核心思想是在定位解算中引入鲁棒估计来缓解NLOS的影响。考虑到NLOS引起的伪距观测误差偏离高斯分布,所提方法首先利用核密度估计(KDE)方法估计伪距观测误差的概率密度函数,并利用该概率密度函数来构造鲁棒代价函数用于导航解算,从而缓解NLOS引起的定位误差。实验结果表明所提方法在卫星存在NLOS传输时能够较好地减小GNSS的定位误差。

局部惩罚加权核偏最小二乘算法及其应用

为改善软测量模型精度,提出了一种局部惩罚加权核偏最小二乘算法。该方法通过核映射将原始输入映射到高维特征空间实现对非线性问题的线性化处理,并通过偏最小二乘算法进行主成分提取,降低数据维数;对由主成分构成的新数据集,依据局部学习思想构建局部惩罚加权最小二乘回归模型,降低模型对异常数据的敏感度、优化模型参数。鉴于多模型可以改善模型估计精度,提高泛化性,采用C-NN近邻扩张搜索聚类算法对样本集进行聚类,对得到的聚类子簇依据上述算法建立回归子模型,得到多模型软测量系统。将其应用于双酚A生产过程的质量指标软测量建模,仿真结果表明了方法的有效性。

基于核偏最小二乘的电厂热力参数预测与估计

为了解决机组运行过程中参数失效和优化过程中参数计算的问题,提出了一种基于核偏最小二乘方法的热力参数预测和估计方法。首先用正常数据建立机组参数的预测和估计模型,确定各变量之间的回归关系,然后将其用于参数的在线预测与估计。其基本思想是通过非线性核函数将数据映射到高维特征空间,然后在高维特征空间中进行偏最小二乘回归运算。该方法可以有效地捕捉变量间的非线性关系,参数预测和估计效果明显好于偏最小二乘法和主元回归方法等线性回归方法。某1?000?MW发电机组烟气含氧量历史特征数据集仿真试验及实际应用比对实验证明了该方法的有效性。

GPS高程拟合的加权总体最小二乘抗差估计

结合标准化方差,构造了基于Huber、IGG和IGGⅢ三种权函数的加权总体最小二乘抗差模型,并运用选权迭代法予以求解。GPS高程拟合数据处理实例表明,基于Huber、IGG和IGGⅢ三种权函数的稳健加权总体最小二乘抗差方法对误差和粗差具有较好的削弱和消除效果,其中基于IGGⅢ权函数的稳健加权总体最小二乘方法抗差效果最优。

加权最小二乘状态估计量测权值计算的实用方法

分析了实际系统中直接影响加权最小二乘状态估计量测权值的因素,基于量测精度等级及满量程提出了设置量测权值的实用化方法,展示了实际系统中典型量测权值的标幺化数值,可以看出不同电压等级功率量测权值的差别以及电压幅值量测和功率量测权值之间的关系。使用文中方法计算得到的量测权值能更准确地反映量测精度,从而能够提高状态估计结果的准确性,模拟算例和实际工程应用验证了所述方法的有效性。文中还分析说明了计算两种派生量测权值的方法以及选取零注入量测权值的原则。

补偿最小二乘解的单位权方差的无偏估计

从残差矩阵二次型的数学期望公式出发导出了半参数模型的补偿最小二乘解的单位权方差的理论无偏估计公式,并通过模拟算例验证了该公式的正确性。由于公式中包含系统误差真值,实际应用中,采用较好精度的系统误差估值代替真值时,可得到比较接近单位权方差真值的单位权方差估值。

非线性半参数模型最小二乘核估计的直接解法

基于非线性半参数模型最小二乘核估计,给出了其参数分量和非参数分量估计的构造式,导出了参数分量和非参数分量顾及二次项直接解法的计算公式。用实测数据进行计算,证明了对于非线性半参数模型最小二乘核估计,可采用顾及二次项的直接解法。

非线性半参数模型最小二乘核估计参数分量的统计性质

基于非线性半参数模型最小二乘核估计,给出了其参数分量的统计性质,即在一定正则条件下,估计的参数分量具有渐近正态性和有偏性,并推导了所估计参数分量的渐近方差公式。

权回归模型中最小二乘估计的相对效率

对于线性加权回归模型，本文得到了未知参数的最小二乘估计相对于最佳线性无偏估计的四种相对效率的下界，并建立了相对效率与广义相关系数的联系．

非参数计量经济联立模型的局部线性两阶段最小二乘估计

联立方程模型在经济政策制定、经济结构分析和经济预测方面起重要作用。本文在随机设计 (模型中所有变量为随机变量 )下 ,提出了非参数计量经济联立模型的局部线性两阶段最小二乘估计并利用概率论中大数定理和中心极限定理在内点处研究了它的大样本性质 ,证明了它的一致性和渐近正态性。它在内点处的收敛速度达到了非参数函数估计的最优收敛速度。

变权重组合预测模型的局部加权最小二乘解法

随着科学技术的不断进步,预测方法也得到了很大的发展,常见的预测方法就有数十种之多。而组合预测是将不同的预测方法组合起来,综合利用各个方法所提供的信息,其效果往往优于单一的预测方法,故得到了广泛的应用。而基于变系数模型的思想研究了组合预测模型,将变权重的求取转化为变系数模型中系数函数的估计问题,从而可以基于局部加权最小二乘方法求解,利用交叉证实法选取光滑参数。其结果表明所提方法预测精度很高,效果优于其他方法。

基于核偏最小二乘的电厂热力参数预测与估计

为了解决机组运行过程中参数失效和优化过程中参数计算的问题，提出了一种基于核偏最小二乘方法的热力参数预测和估计方法。首先用正常数据建立机组参数的预测和估计模型，确定各变量之间的回归关系，然后将其用于参数的在线预测与估计。其基本思想是通过非线性核函数将数据映射到高维特征空间，然后在高维特征空间中进行偏最小二乘回归运算。该方法可以有效地捕捉变量间的非线性关系，参数预测和估计效果明显好于偏最小二乘法和主元回归方法等线性回归方法。某1000Mw发电机组烟气含氧量历史特征数据集仿真试验及实际应用比对实验证明了该方法的有效性。

基于最小二乘的天线组阵合成权值及信噪比盲估计

针对天线组阵中的合成权值估计问题,提出了一种基于最小二乘的权值盲估计及多路信号盲信噪比估计算法。该算法利用多路信号间的协方差矩阵,分别构建关于信道幅度增益与相位旋转因子的超定方程组,最终通过最小二乘方法完成权值及信噪比的估计。仿真结果表明,该算法的权值估计性能在低信噪比条件下比EIGEN算法有明显改善;同时较现有基于矩估计的信噪比估计算法,该算法具有更好的估计精度。

半参数方差函数模型的核与最小二乘估计

介绍具有随机设计的一类半参数方差函数模型．对模型的非参数成份构造了核估计，然后利用最小二乘法估计参数成份，最后证明了估计的若干渐近性质（例如，相合性，渐近正态性等）．从而进一步推广和发展了Ｍüｌｅｒ和Ｚｈａｏ的结果．

可加性模糊系统(AFS)权系数W的最小二乘估计

本文对模糊规则的前件进行非模糊化，从而给出了被广泛应用于现代控制理论中的可加性模糊系统（ＡＦＳ）权系数Ｗ 的最小二乘估计。

最优加权最小二乘估计解与矩阵希瓦兹不等式的推广

本文得出了推广的加权最小二乘估计解 ,存在权系数 ,在估计误差方差矩阵最小意义下 ,得出了推广的最优加权最小二乘估计解 得出了推广的矩阵型希瓦兹不等式。

基于半参数最小二乘核估计的卫星精密钟差预报方法

研究半参数最小二乘核估计模型在精密钟差预报中的应用问题,提出一种基于时间自变量差值累加的窗宽参数计算模型,并通过实验验证该模型的有效性,讨论在不同预报时间长度和已知数据量的情况下模型预报精度。实验表明,与常规模型相比,半参数最小二乘核估计模型在预报精度与稳定性方面都取得较好的效果,可以满足精密单点定位对于精密钟差预报的精度要求。研究成果对于精密单点定位技术的推广普及具有一定的促进作用。

基于最小二乘集成赋权模型的交叉口交通状态评价

为提高道路交叉口交通状态综合评价结果的全面性及准确性,研究出1种兼顾主客观权重优点的集成赋权模型,该模型基于最小二乘(least squares, LS)思想和矩估计理论建立改进LS集成赋权模型,更好弥补单一赋权模型的局限性,最大限度保留单一赋权结果中所反映出的指标重要度信息。在此基础上,通过组合权重–隶属度矩阵计算得到各路口交通状态综合评价结果。应用以上评价方法对贵阳市4个交叉口进行评价,结果表明,所提模型更充分地凸显了指标的重要性;以国家城市交通运行状况评价规范和现有组合赋权模型的评价结果为基准,对模型的有效性进行评估,所提模型评价结果的准确度分别为75.95%和96.61%,且结果的区分度更大更符合实际交通路况。综上,所提模型同时具备实用性和有效性,对交叉口运行状态的评估和预警具有一定的指导意义。

基于稳健加权总体最小二乘的变压器局部放电定位

到达时间差、声速与传感器位置坐标的测量误差将导致局部放电时差定位出现误差,通过研究发现变压器的内部结构及各部分的材质差异可能造成到达时间差以及声速的测量值可能远远偏离真实值,这种测量误差被称作粗差,但目前的局部放电定位算法未将数据测量误差纳入模型,使得现有定位算法在计及测量误差特别是粗差的情况下,定位误差较大难以满足工程要求。为此,分析了局部放电测量数据粗差的来源及现有定位算法的缺陷,提出了基于稳健加权总体最小二乘的局部放电定位算法,采用含误差变量模型推导迭代公式,运用权函数修改含粗差数据在迭代过程中的权重,能够有效抑制测量数据的随机误差、系统误差和粗差对定位结果的影响,能更为准确地定位局部放电,有助于制定针对性的检修策略,提高检修效率,缩短停电时间。