删失数据非线性回归模型的广义M估计

加速失效模型(AFT模型)是研究失效时间和协变量间相互关系的一类重要模型.在标准的AFT模型中,假设对数变换后的生存时间与协变量间是线性关系,本文将线性关系扩展到非线性,在广义M估计的目标函数中使用Kaplan-Meier权,提出右删失数据非线性回归模型的加权广义M估计.我们还得到了广义M估计的渐近性和相合性,并且通过模拟研究验证了该方法在有限样本情形下估计效果良好.

相依删失情形下加速失效模型的广义M估计

在生存分析中,加速失效模型(AFT模型)是研究失效时问与协变量之间关系的一类重要模型.在AFT模型框架下,通过在广义M估计的目标函数中使用广义Kaplan-Meier权,本文提出了含相依删失数据的AFT模型回归系数及刻度参数的加权广义M估计.渐近性质方面,得到了广义M估计的相合性和渐近正态性;关于估计量的有限样本性质,通过模拟研究验证了该估计量在有限样本情形下效果良好.

时间数列回归模型参数的广义MM估计

为有效地控制观测值中异常数据的影响，在文献［１］的基础上，给出了时间数列回归模型参数的广义ＭＭ估计，并在一定条件下证明了估计的相容性．

DS/FH混合系统鲁棒自适应抗干扰技术

根据鲁棒估计理论 ,采用一种基于广义M估计的自适应滤波器消除DS FH混合扩频系统中的部分带宽干扰 ,并推导了鲁棒自适应算法 .比较了 2种M估计中常用的 ψ函数的性能 :Huber函数 (Huberfunction)、三权重函数 (Tri weightfunc tion) .MonteCarlo仿真结果表明 ,采用鲁棒自适应滤波器的DS FH系统抗非稳态干扰性能显著提高 。

污水处理过程出水水质稀疏鲁棒建模

污水处理过程中,出水水质参数是衡量污水处理性能的最重要指标,需要进行严格监测,但现有传感技术难以对其进行实时准确地在线测量.因此,提出一种新型的基于随机权神经网络(Random vector functional-link networks,RVFLNs)与Schweppe型广义M估计(Generalized M-estimation, GM-estimation)的稀疏鲁棒建模方法,用于水质指标的在线鲁棒预测.首先,针对常规RVFLNs隐含层矩阵存在多重共线性而导致最小二乘估计失效的问题,利用稀疏偏最小二乘(Sparse partial least squares, SPLS)代替RVFLNs输出权值求解的最小二乘估计,从而提出SPLS-RVFLNs.该算法不仅可有效解决传统RVFLNs的多重共线性问题,还可以进行建模变量选择,提高模型的可解释性和最终的预测精度.同时,考虑到SPLS-RVFLNs在求解输出权值时会同时受到隐含层矩阵和输出层矩阵两个方向离群点的影响,进一步采用Schweppe型广义M估计对SPLS-RVFLNs进行鲁棒改进,从而提出GM-SPLS-RVFLNs,可显著提高模型的稀疏鲁棒性能.最后,将提出的GM-SPLS-RVFLNs用于污水处理过程出水水质指标预测建模,数据实验结果表明所提方法不仅解决了常规RVFLNs多重共线性和鲁棒性差的问题,而且具有很好的预测精度和泛化性能.