采用概率密度比值估计的距离度量学习

现有的距离度量学习算法都是假设训练数据和测试数据服从相同的分布,但是该假设在实际中不一定成立。当训练数据和测试数据的分布不同时,利用训练数据学习得到的度量函数可能难以适用于测试数据。针对上述问题,本文在NCA(Neighbourhood Components Analysis)度量学习方法的基础上,通过引入概率密度比值对目标函数加权,提出了一种采用概率密度比值估计的距离度量学习方法(Distance metric learning with ProbabilityDensity Ratio Estimation,DML-PDR)。在UCI数据集和Corel图像库上的KNN分类实验表明,新方法克服了传统度量学习方法的不一致问题,提高了分类的准确率。

比值估计法及其在抽样调查中的应用

比值估计法及其在抽样调查中的应用合肥经济技术学院汪琥庭设Ｙ是抽样调查中的目标变量（主要因子），Ｘ是与之有显著线性关系的另一变量（辅助因子），在通过样本的观察值来估计总体Ｙ的均值Ｙ时，如果直接抽取并观察Ｙ的个体需要较大的费用或因可操作性小很难直接抽查，...

基于比值法对高维时间序列因子模型中因子个数的实证分析——以美国宏观经济数据为例

经济关系民生,代表一个国家的生产力水平。宏观经济是国家经济的总体表现和指导方向,直接影响着国家的发展和稳定。宏观经济数据分析是理解经济运行机制、指导政策制定和实施、支持企业战略规化以及风险管理的重要工具,对于实现经济稳定增长和可持续增长至关重要。本文采用高维时间序列因子模型,对美国宏观经济数据进行降维分析,在ER、CR、TCR、GR四种比值估计器下,估计公共因子的个数。估计结果显示,ER、GR估计器识别出的因子个数为2,CR、TCR估计器识别出的因子个数为3。通过AIC和BIC准则对估计结果进行评估,发现CR、TCR估计器识别出的因子个数结果更为准确,将3个公共因子分别解释为GDP、就业与失业、消费价格指数和信心指数,能够更好地对宏观经济数据进行解释,进而了解国家的经济状况。

高维因子模型两类“主成分”估计的比较——以S & P 500股票数据分析为例

高维因子模型在超高维度的大型数据集降维处理中发挥了重要作用。目前,高维因子模型有两种主成分估计方法,分别是基于协方差的主成分估计PCE和基于滞后自协方差的主成分估计LPCE。本文以S & P 500公司股票数据的高维因子建模为例,比较了PCE和LPCE在高维股票数据降维中的实际表现,其中因子个数通过信息准则法和特征值比值估计法确定。结果表明,在高维非平稳序列因子模型中,PCE的均方根误差和预测误差都比LPCE小,PCE得到的因子也比LPCE更能捕捉高维非平稳序列变化特征。在高维平稳序列因子模型中,PCE和LPCE的估计误差相同,两者的估计因子均能还原高维平稳序列的变化特征。此外,在确定因子个数时,信息准则倾向于高估因子个数,表现出严重的过拟合。特征值比值估计法的估计结果相对更准确和稳定,在PCE中倾向于放弃相对弱势的主成分,在LPCE中则倾向于将弱势的主成分视为因子。

3D打印工艺螺杆转速和进给速度的最佳匹配关系

在理论分析的基础上,研究了3D打印机工艺螺杆转速和进给速度的匹配问题。根据物料平衡定律及打印材料挤出速度与进给速度的最佳比值,利用极大似然估计方法,得到了螺杆转速与进给速度的最佳匹配关系。结果表明,在给定进给速度的情况下,使用此最佳匹配算法得到的螺杆转速,能够很好地解决裂口问题,与现有的3D打印软件AXON提供的算法相比,打印成型质量有明显的提高。