基于弹性网回归的云南省财政收入影响因素分析

经济学变量相互之间往往存在很强的相关性,这使得模型变得复杂。在本文中,首先,对原始数据进行多重共线性诊断;然后,基于弹性网回归,并借助交叉验证方法确定参数和各参数估计值对云南省财政收入相关数据进行建模分析;最后,将弹性网回归与岭回归以及LASSO回归估计结果进行分析比较。结果表明弹性网回归优于岭回归与LASSO回归,同时得出云南省财政收入受税收收入、地区生产总值、社会消费品零售总额、在岗职工工资总额、社会就业人数、第一产业产值、全社会固定资产投资以及全省旅游业总收入的影响。

基于弹性网降维的两步估计回归模型的上证50股票指数追踪研究

随着我国金融产业的飞速发展,股票投资成为大众最为青睐的一种理财方式。如何较为有效地对股票指数进行追踪对各投资机构以及众多散户来说至关重要。文章对上证50综合指数日收盘价数据建立基于弹性网降维的两步估计回归模型,第一步先采用绝对约束估计和弹性约束估计对原始变量进行降维,再根据误差分析结果,选择使得指数追踪误差更小的解释变量作为指数追踪的研究对象,第二步用最小二乘估计建立经验回归方程,再使用逐步回归剔除不显著变量,寻找部分股票构成的最优的追踪组合。实证结果表明:弹性网降维的两步估计回归模型能更有效地对股票价格进行预测,指数追踪效果最好。

基于弹性网—自回归模型的股票价格研究

随着我国金融产业的飞速发展,股票投资成为大众最为青睐的一种理财方式。如何较为有效估计股票的价格走向对各投资机构以及众多散户来说至关重要。文章选择2017年1月至2019年11月期间的上证综合指数日收盘价数据建立自回归模型,将Lasso回归,自适应Lasso回归以及弹性网回归三种方法分别应用于自回归模型中,然后对2019年12月前十个交易日的股票价格进行预测。实证结果表明:弹性网方法能更有效地对股票价格进行预测,预测效果更佳。

事件社交网中基于有向标签图及用户反馈的活动推荐方法

由于基于事件的社交网络(EBSN)中的活动具有时效性,传统社交网络推荐算法无法适用于EBSN。此外,大多数算法忽略了能影响后续推荐质量的前用户是否接受活动的反馈意见。为此,提出一种EBSN中基于有向标签图及用户反馈的活动推荐方法。首先,将EBSN抽象为有向标签图,并抽取图节点及边的属性特征信息,构建有向图结构特征(DGSF)索引,该索引由节点属性特征索引、有向边属性特征索引以及时间特征索引构成,利用该索引对节点及边进行初次过滤。其次,提出基于DGSF索引的多属性候选集过滤策略,利用时间、节点的出入度、标签类型等特征的限制,实现对查询图候选集的进一步剪枝,避免冗余计算。然后,提出一种具有用户反馈的改进UCB(Upper Confidence Bound)活动推荐算法--EN_UCB,通过引入弹性网回归,根据多影响因素计算用户对活动的兴趣值,为用户推荐兴趣值高的活动,同时接收用户是否接受该活动的反馈,以优化后续用户的推荐。大量实验结果表明,EN_UCB算法的接受率高于TS(Thompson Sampling)、UCB以及eGreedy算法,遗憾率远远低于TS和eGreedy算法,且运行效率高于TS、UCB以及eGreedy算法,活动数越大,优势越明显。所提算法能有效实现EBSN上的在线活动推荐。

基于惩罚逻辑回归的乳腺癌预测

本文采用惩罚逻辑回归方法,利用威斯康星大学的乳腺癌数据对乳腺肿瘤进行预测。首先选取与乳腺癌相关的10个指标作为自变量,接着采用逻辑回归、LASSO惩罚逻辑回归、L_(2)惩罚逻辑回归和弹性网惩罚逻辑回归作为分类器,利用75%的数据集作为训练集建立模型,最后利用25%的测试集、混淆矩阵和ROC曲线评估不同模型的预测精度。结果表明,LASSO惩罚逻辑回归的预测表现最好,预测精度达到97.18%;弹性网惩罚逻辑回归的预测表现随着α的增大发生变化,特别当α=0.9时,预测精度达到97.18%,与LASSO惩罚逻辑回归的预测表现一样好;L_(2)惩罚逻辑回归的预测表现排第3,逻辑回归表现最差。因此,在乳腺肿瘤诊断中可借助LASSO惩罚逻辑回归和弹性网惩罚逻辑回归提高诊断精度。

公共交通对健康城市医疗服务公平性影响研究

选用城市每万人口拥有公共卫生人员数作为健康城市公共医疗资源水平的代理指标,从面向健康城市公共交通服务供给和面向公共交通服务需求2个角度来设计选取公共交通系统的解释变量指标,设计城市公共服务的加权基尼系数来衡量一座城市的财富或收入分配与完全平等的分配差距,分析梳理各种多元回归模型。在此基础上,以南京市为例,通过普通线性回归分析可得所选取公共交通指标具有较高线性相关性,进一步比较岭回归分析、LASSO回归分析和弹性网回归分析,根据EBIC准则选择弹性网回归模型,构建南京城市医疗公共服务水平加权基尼系数与公共交通回归方程,定量分析公共交通相关指标与城市医疗公共服务公平性之间的相关性和数量变化规律。结果表明,将衡量城市收入公平性的量化指标基尼系数引入城市公共交通评价是合适的;弹性网回归模型能够较好地描述公共交通分担率指标对城市公共服务公平性的影响关系;影响南京城市医疗公共服务公平性的正向指标为公交车公里分担率、机动化出行公交分担率和城市道路里程。研究成果有助于为健康城市社会公平性建设目标的实现提供理论基础和政策依据。

基于弹性网分位数回归的开放型基金绩效研究

开放型基金是证券投资业务的重要形式之一,其风格识别和绩效评价对投资者来说都有很好的借鉴意义。本文将逐步均值回归,分位数回归(Lasso Quantile Regression)和弹性网分位数回归(Elastic Net Quantile Regression)三种方法对18只基金进行建模,观察三种方法对风险因子的识别作用,结果发现分位数回归能够很好地对基金收益的尾部进行风格识别,弹性网分位数回归要比LASSO分位数回归包容了更多的风险因子。然后在不同的厌恶参数γ^*情况下,用这三种方法对18只基金的进行了绩效评价,为了判断这些绩效评价的效果,本文设置了三种不同的投资组合方案,在不同的投资组合方案下比较三种方法对基金绩效评价的可靠性,结果表明无论在哪种方案下弹性网分位数回归的评价效果要优于另外两种方法,也间接证明了这种方法识别的风险因子是有效的。

基于弹性网稀疏编码的空间目标识别

传统的特征袋(BoF)模型在目标识别过程中假设每个局部特征点只关联特征词典中一个视觉单词。此外,l1范数约束下的稀疏编码对于具有较强成对相关性的特征通常只选择一个特征,而不关注哪一个特征被选择。本文提出一种基于弹性网稀疏编码的特征袋模型。该模型利用尺度不变特征变换(SIFT)特征描述子构建特征字典,再通过弹性网回归模型求解每个描述子所对应的稀疏系数向量,最后将目标图像内的稀疏系数向量合并用于分类。与传统的特征袋模型和基于l1范数稀疏编码的特征袋模型相比,该模型有较好的识别性能,并对视角变化具有较强的鲁棒性。在空间目标图像数据库上的实验验证了该模型的有效性。

WFEN的贝叶斯估计及在高维预测模型中的应用

针对传统收缩估计中难以进行统计推断以及无法同时确定惩罚因子问题,在权融合弹性网回归(WFEN)的基础上,给出其Gibbs层次抽样模型并构造相应的贝叶斯估计量(Bayesian WFEN,BWFEN)。该算法根据Expectation-Maximization方法同时确定估计中的两个惩罚因子,并基于回归系数的经验后验分布计算估计量标准误差和进行变量选择。模拟实验表明,BWFEN的迭代过程具有良好的收敛性,在面对稀疏预测模型或者模型中的预测变量存在群组效应时具有较低的相对预测误差和较高的变量选择精度。在博客回复数预测模型的实际应用中,BWFEN也显著优于其他收缩估计方法。

基于最大边界准则的稀疏局部嵌入特征提取方法

针对局部线性嵌入算法(LLE)无法利用样本的鉴别信息,最大边界准则算法(MMC)对非线性数据处理能力较弱的不足,提出一种基于最大间距准则的稀疏局部嵌入(SLE/MMC)特征提取算法。在保持局部近邻的前提下,首先在类内紧致图中使同类样本尽可能地聚集在一起;然后在类间惩罚图中使不同类别的样本尽可能分离;最后使用弹性网回归算法得到一个最优的稀疏投影矩阵。为了避免小样本问题,采用MMC的形式构造目标函数。在ORL、Yale以及UMIST人脸库上的实验结果可以看到,同其他几种方法(PCA、LLE和MMC)相比,SLE/MMC具有更高的识别率,表明该方法具有更高效的特征提取能力。

无监督的稀疏差分嵌入特征提取方法

人脸数据中的有效特征是提高识别率的关键,因此特征提取是人脸识别领域的重要步骤.为了能够同时保留人脸数据的局部结构和全局结构,并得到一个更具有解释性的结果,综合主成分分析算法和局部线性嵌入算法,并加入稀疏约束,提出一种无监督的稀疏差分嵌入(Unsupervised Sparse Difference Embedding,USDE)的特征提取方法.在满足局部最小嵌入和全局最大方差的同时,使用弹性网回归算法得到一个稀疏特征向量.在ORL人脸库、AR人脸库以及UMIST人脸库上的实验结果表明,同其他几种方法相比,USDE具有更好的效果.

融合脑电特征的弹性网特征选择和分类

脑机接口系统的核心问题之一是信号分类。本文针对脑电信号的异构融合特征的分类问题提出了一种新方法:封装式弹性网特征选择和分类。首先,对预处理后的脑电(EEG)信号联合应用时域统计、功率谱、共空间模式和自回归模型方法提取高维异构融合特征。其次,采用封装方式进行特征选择:对训练数据采用弹性网罚逻辑回归拟合模型,通过坐标下降法估计模型参数,运用10倍交叉验证选择出最优特征子集。最后采用已训练的最优模型对测试样本进行分类。实验中采用国际BCI竞赛Ⅳ的EEG数据,结果表明,该方法适用于高维融合特征的最优特征子集选择问题,对于EEG信号的识别不仅效果好、速度快,而且能够选出与分类更相关的子集,获得相对简单的模型,平均测试正确率达到了81.78%。

基于EEMD-EN-SVR的短期负荷预测方法

支持向量回归(SVR)应用于短期负荷预测时,出现训练时间变长、结果精度下降现象的主要原因是由于输入中存在冗余不相关特征.考虑到弹性网回归(EN)能够有效剔除冗余不相关特征的特点,构建基于EEMD-EN-SVR的短期负荷预测模型.该模型采用集合经验模态分解(EEMD)对负荷序列进行分解并提取用电特征,使用EN方法进行特征选择,筛选出冗余和不相关特征,获得最佳特征集,最终利用粒子群算法优化的支持向量回归(PSO-SVR)对短期负荷进行预测.通过某地区的真实用电数据进行实验分析,并与文中所提到的其他模型进行比较,结果表明,所提方法的预测精度和鲁棒性较好.

增强类可分性的高光谱图像分类

目的在高光谱图像分类中,由于成像空间分辨率较低,混合像元大量存在。混合像元使得不同类别的光谱特征发生改变,失去原有的独特性,类内差异变大,类间差异变小。针对这一问题,本文提出基于分组滚动引导滤波的策略。同时针对高光谱图像中存在的"维数灾难"问题,提出了弹性网逻辑回归分类器的框架。方法通过线性判别分析(linear discriminant analysis,LDA)算法生成具有判别性的引导图,对高光谱图像的每个波段执行滚动引导,从而让光谱曲线呈现类内凝聚、类间距离增大的趋势。通过构造逻辑回归目标函数的L1&L2范数正则项约束进行嵌入式波段选择,为每个类别选择出各自可分性强的波段,同时可以使高度相关性的波段保留下来作为分类依据。最后使用邻域优化策略对分类后结果进一步优化,提升分类精度。结果分别在3个实验数据集上与其他分类算法进行对比,实验结果表明,本文算法的分类结果取得明显提升。本文算法的总体分类精度(overall accuracy,OA)在Indian Pines、Salinas和KSC(Kennedy Space Center)数据集上分别为96.61%、98.66%和99.04%,比其他算法平均分别高出4.8%、3%和1%,同时也在Indina Pines数据集中进行了对比实验以验证增强混合像元光谱可分性和波段可分性算法的有效性,对比实验结果表明本文算法改善了分类效果。结论分别在光谱特性和波段选择两个环节增强类可分性,分类精度取得明显提升;同时,本文算法适合不同的数据集,并且在不同数量的训练样本下OA均表现较优,算法具有一定的鲁棒性。

基于递归稀疏主成分分析的工业过程在线故障监测和诊断

提出一种基于递归稀疏主成分分析(recursive sparse principal component analysis,RSPCA)的工业过程故障监测与诊断方法,可用于时变工业过程的自适应故障监测与诊断.通过引入弹性回归网,将主成分问题转化为Lasso与Ridge结合的凸优化问题,采用秩-1矩阵修正对协方差矩阵进行递归分解,递归更新稀疏载荷矩阵和监测统计量的过程控制限,以实现连续工业过程长时间自适应故障监测,对检测出来的故障通过贡献图法实现对故障的诊断.在田纳西-伊斯曼(TE)过程进行实验验证,结果表明,与传统的故障监测方法相比,所提出的方法有效降低了故障漏检率和误报率,且时间复杂度低,确保了故障监测的灵敏度和实时性.