m相依序列的样本分位数核估计的中偏差和大偏差

分位数是统计学中的一个重要概念,它在可靠性统计分析以及经济、金融、生物信息、医学等领域都有非常广泛的应用.相依随机序列削弱了独立性的限制,得到了众多关注和研究.因此,本文基于m相依序列,研究了样本分位数核估计的大样本性质.首先,利用m相依序列的极限理论,通过计算Cramer函数,证明了样本分位数核估计的中偏差原理.其次,通过验证Cramer条件成立,得到了样本分位数核估计的大偏差原理.研究结果简化并推广了独立同分布样本情形下的证明方法及结果,为讨论其他类型相依序列的中偏差及大偏差性质提供了重要依据.

基于模糊核Fisher判别的雷达距离像识别研究

核Fisher判别分析(KFDA)既具有核技巧的非线性描述能力,又继承了线性Fisher判别分析(FDA)的优点,其在非线性判别方面表现出很好的识别性能。尝试把训练核样本的模糊隶属度信息完全融入到核散布矩阵的计算中,使得KFDA在提取原始训练样本非线性特征的同时,又可以提取到训练核样本的隶属度信息,并且把这种方法应用到雷达一维距离像识别中,实验证明其取得了很好的识别效果。

样本依赖型最小平方回归学习算法的收敛速度

目的研究基于样本依赖型的范数正则化学习算法的收敛性分析。方法概率论与数理统计的方法。结果给出了一种用K-泛函表示的收敛速度。结论文中的研究表明,样本依赖型学习算法与通常的核学习算法具有相同的收敛速度。

动态数据约简的神经网络分类器训练方法研究

针对神经网络分类器训练时间长、泛化能力差的问题,提出了一种基于动态数据约简的神经网络分类器训练方法(DDR)。该训练方法在训练过程中赋给每个训练样本一个权重值作为样本的重要性度量,依据每次网络迭代训练样本的分类错误率动态更新每个训练样本的权重值,之后依据样本的权重值来约简训练样本,从而增加易错分类的边界样本比重,减少冗余核样本的作用。数值实验表明,基于权重的动态数据约简神经网络训练方法不仅大幅缩短了网络的训练时间,而且还能够显著提升网络的分类泛化能力。

基于CCA对LSSVM分类器的稀疏化

为了对分类最小二乘支持向量机实施有效的稀疏化,以提高分类速率,采用分类相关分析算法,按序提取样本核矩阵的全部分类相关成分,并依据样本核矩阵各列与分类相关成分的相关性,对训练集所有个体按分类的重要性排序,进而可选取最重要的部分个体作为支持向量,并将其余非支持向量的信息转移至支持向量,以提高支持向量的分类表达能力.由此构建一种新的稀疏型最小二乘支持向量机CS-LSSVM,并将其应用于多个模式分类的实际问题.测试结果表明,CS-LSSVM稀疏性很强,且保持了标准LSSVM的分类性能,还可直接适用于多类问题.

FSS-kernel与FastICA融合的盲源分离算法研究

Fast ICA算法有着比传统ICA算法更快、更稳健的收敛速度,但由于其选用的非线性函数不能很好地符合源信号的统计特性,恢复结果并不理想。针对该问题,提出了一种有限支持样本核函数(FSS-kernel)与Fast ICA融合的盲源分离算法。该方法是通过FSS-kernel算法估计得出源信号概率密度函数,结合Fast ICA算法,实现混合信号的盲分离。仿真结果表明,该方法能够有效地完成混叠信号的分离,通过与传统ICA算法及Fast ICA算法比较,证明了该方法具有更高的分离精度和自适应能力。