自适应设计广义线性模型的自适应Lasso惩罚最小二乘的渐近性质

针对自适应设计广义线性模型,研究自适应Lasso惩罚最小二乘变量选择方法。在一定条件下,得到自适应Lasso惩罚最小二乘估计的相合性和Oracle性质,该结果将固定设计广义线性模型相关结果推广到自适应设计广义线性模型中。通过模拟可知,自适应Lasso惩罚方法优于Lasso惩罚方法。

机械臂多目标最优轨迹的自适应惩罚MOEA/D规划

为了减少机械臂的工作时间和工作过程中的冲击量,提出了基于自适应惩罚MOEA/D算法的时间-冲击多目标规划方法。介绍了PUMA560机械臂结构,并建立了机械臂的连杆坐标系。建立了以减小机械臂工作时间和冲击为综合目标的优化模型,并分析了5次多项式插值函数。通过编码和建立适应度函数,将轨迹规划问题转化为最优基因搜索问题。根据邻域内解的密度设置了自适应惩罚因子,提出了机械臂轨迹的自适应惩罚MOEA/D规划方法。经仿真验证,自适应惩罚MOEA/D算法搜索的Pareto前沿解质量高于标准MOEA/D算法、文献[10]新型MOEA/D算法。且经过优化,机械臂工作时间减少了7.68%,冲击减少了17.32%。实验结果表明,自适应惩罚MOEA/D算法在机械臂轨迹规划中具有优越性。

众数自适应Lasso回归的统计推断

本文给出了自适应Lasso的众数回归模型,用来对众数回归模型的变量进行选择.对比传统的均值回归模型和中位数回归模型,众数回归在解决重尾、多峰分布问题时更加稳健.众数回归模型的主要估计方法是核估计方法,当自变量的数目较大时,该方法会产生难以忽略的计算误差.本文在核估计方法的众数回归模型基础上添加惩罚项,并通过自适应Lasso方法进行参数估计,有效的剔除了贡献率低的自变量,同时提高了计算的准确性.本文详细阐述了该计算方法,并在一些正则条件下,给出了模型的参数的估计方法和估计值的渐近正态性.模拟实验和实证分析研究了所提方法在有限样本下的性质.对比均值回归模型和传统的众数回归模型,添加自适应Lasso惩罚项的众数回归模型极大地提高了参数估计的准确性.

联合自适应LASSO与块稀疏贝叶斯直接定位方法

无源定位中,直接定位方法优势在于适用低信噪比、参数独立等。然而,当辐射源距无源侦测系统较远时,受低信噪比的影响,接收信号模型中存在的部分未知参数会大幅降低算法对于辐射源的定位性能。为了有效地解决该难题,给出了一种联合自适应LASSO先验与块稀疏贝叶斯的辐射源直接定位方法。经由贝叶斯理论构建分层稀疏模型,联合不同的先验分布以赋予信号中元素独立的自适应LASSO,同时探索信号的块结构和块内相关性,联合具有共享稀疏性的不同基站的字典重建过完备字典,实现远距离辐射源定位。仿真结果表明:在远距离下,当快拍数设置较少,信噪比设定较低时,在辐射源定位效果上所提算法显著优于如MUSIC等传统直接定位算法、Laplace先验方法以及块稀疏贝叶斯方法。

基于自适应惩罚的潜变量高斯图模型结构学习

采用自适应惩罚似然方法解决含潜变量高斯图模型的结构学习问题.模拟结果表明,自适应惩罚显著优于非自适应惩罚,可有效降低估计偏差,更准确地估计给定潜变量时观测变量间的条件独立性关系.

领导非权变惩罚行为对员工适应性绩效的影响研究

基于信息寻求动机理论,通过对3个阶段的问卷调查获得的585份有效数据,运用结构方程模型(SEM)和模糊集定性分析(fsQCA)的方法,探讨了领导非权变惩罚行为对员工适应性绩效的影响、员工反馈规避行为的中介作用以及防御型调节焦点的调节作用。研究结果表明:领导非权变惩罚行为对员工适应性绩效有显著负向影响,员工反馈规避行为在其中起部分中介作用;员工防御型调节焦点不仅正向调节领导非权变惩罚行为与员工反馈规避行为之间的关系,还增强了领导非权变惩罚行为通过员工反馈规避行为对适应性绩效产生的消极影响。模糊集定性比较分析的结果也同样证实了以上结论。

基于双自适应Lasso惩罚的随机效应分位回归模型研究

研究目标:解决随机效应分位回归模型中固定效应和随机效应系数同时估计和选择问题。研究方法:对固定效应和随机效应系数同时实施自适应Lasso惩罚,并为参数估计设计交替迭代算法。研究发现:新方法不仅对随机误差分布具有较强的稳健性,而且在不同稀疏度模型下均有着良好的表现,尤其是在高维情形时。研究创新:本文提出的方法在对模型中重要自变量进行选择的同时能够充分考虑随机效应的影响;交替迭代算法不仅有效解决了需要选择两个惩罚参数的困境,而且收敛速度快。研究价值:为实际工作者对面板数据和纵向数据的分析提供了有效的建模方法。

基于自适应LASSO的逻辑回归砂土液化判别模型

逻辑回归模型在国际上常用于地震液化判别,但该方法难以处理过多影响因素引发的共线性问题,进而严重影响模型的预测精度.能同时进行变量筛选和参数估计的自适应LASSO在处理共线性问题上有着独特的优势.因此,本研究以国内外533组历史液化案例为样本,在综合考虑地震液化多影响因素的基础上,引入自适应LASSO估计法,对逻辑回归液化判别模型进行优化,建立了基于自适应LASSO的逻辑回归砂土液化判别模型,该模型还包括了新的液化影响因素——土壤分类指数Ic,最后对重要液化影响因素进行敏感性分析.结果表明:针对因素过多的液化判别问题时,自适应LASSO逻辑回归模型可有效地选择重要因素进行建模;相比其它逻辑模型模型和简化方法,自适应LASSO逻辑回归模型精度更高,泛化能力更强;引入了新变量土壤分类指数Ic后,模型性能进一步提升,验证了建立逻辑回归液化判别模型时考虑Ic的重要性;敏感性分析发现重要影响因素的排序为:修正尖端阻值、峰值加速度、土壤分类指数、水位、细粒含量、侧壁摩阻值.

CD-CAT中基于SCAD惩罚和EM视角的在线标定方法开发——G-DINA模型

G-DINA(the generalizeddeterministic input,noisy and gate)模型限制条件少,应用范围广,满足大量心理与教育评估测验数据的要求。研究提出一种适用于G-DINA等模型的同时标定新题Q矩阵与项目参数的认知诊断计算机化自适应测验(CD-CAT)在线标定新方法SCADOCM,以期促进CD-CAT在实践中的推广与应用。本研究分别基于模拟题库以及真实题库进行研究,结果表明:相比传统的SIE方法,SCADOCM在各实验条件下均具有较为理想的标定精度与标定效率,应用前景较好;SIE方法不适用于饱和的G-DINA等模型,其各实验条件下的Q矩阵标定精度均较低。

非参数可加模型的迭代自适应稳健变量选择

本文结合稳健损失函数、B样条逼近和自适应组Lasso研究一个高维可加模型,以识别“大p小n”下的不显著协变量.与传统的最小二乘自适应组Lasso相比,该方法具有较好的抵消重尾误差和异常值的影响.为证明方便,本文进一步考虑了更一般的加权稳健组Lasso估计,且该权向量对所建议的估计量具有模型选择oracle性质和渐近正态性的证明中起着关键作用.稳健组Lasso和自适应稳健组Lasso可以看作是加权稳健组Lasso在不同权向量下的特殊情况.在实际应用中,我们使用稳健组Lasso获得初始估计以降低问题的维数,然后使用迭代自适应稳健组Lasso选择非零分量.数值结果表明,所提出的方法对中等规模的样本具有良好的适用性.高维基因TRIM32数据验证了该方法的应用.

基于三阶路径自适应度惩罚的链路预测方法

链路预测目标是根据已知网络结构来预测缺失链接。现存大部分基于相似度方法仅考虑二阶路径而忽略三阶路径与网络拓扑特征关联程度,这将导致预测准确度下降而不适用于稀疏网络。针对以上不足,提出基于三阶路径自适应度惩罚(THADP)的链路预测算法改善稀疏网络预测精度。首先,统一泛化基于三阶路径相似度方法包括CN-L3、AA-L3和RA-L3,构建THADP框架保持节点所有三阶路径信息;其次,该框架与节点平均最短路径融合有利于捕获整个网络节点信息增强THADP鲁棒性;最后,在8个真实网络上,采用AUC和F1评价所提指标和基准方法性能,实验结果表明所提指标AUC和F1值最高分别提升了35.5%和21.5%。

基于自适应Lasso阈值的EWMA协方差矩阵控制图

许多工业多元质量控制应用中通常过程失控时偏移只发生在协方差矩阵中的小部分元素中,即协方差矩阵的偏移具有稀疏性。本文针对这一现实提出一种基于自适应lasso阈值的EWMA (E_ALT)控制图,并通过蒙特卡洛模拟得到该控制图在不同偏移量下的平均运行链长指标,实验结果证明其在中小偏移下监控效率较高。之后进一步对控制图中包含的参数进行优化,以提高控制图性能。

基于VMD-MPC法的智能风机能量自适应分配研究

智能风机能量分配过程受到噪声影响,导致分配效果不理想,提出基于VMD-MPC法的智能风机能量自适应分配方法。采用VMD法对智能风机能量信号进行分解,获取信号噪声谐波和分序列波动特性。利用MPC控制方法控制智能风机能量,通过计算所有分配任务实际的执行长度,结合最优能量分配原则实现智能风机能量的自适应分配。实验结果表明,该方法低压与高压风机能量分配的四个顶点坐标分别为(0,0,750)、(0,500,600)、(0,100,0)、(50,500,0)与(0,2 000,800)、(0,5 000,800)、(0,2 000,0)、(0,5 000,0),与理想分配结果一致,分配效果好。

一种新的自适应惩罚函数算法求解约束优化问题

提出一种新的自适应惩罚函数法,用来处理约束优化问题.这种方法根据当前群体中可行解的比例对目标函数和违反约束条件的程度作出合适的权衡,具有结构简单、参数少等优点.把它和一个简单的进化策略结合起来,得到了一种新的求解约束优化问题的进化算法.选取几个常见的测试函数对这种新方法进行了数值实验.结果表明,所提方法能够非常有效地处理各种约束优化问题,而且具有很强的稳健性;其性能优于或相似于一些尖端的算法.

中国区域碳排放权价格影响因素的研究——基于自适应Lasso方法

中国区域碳排放权交易自2013年正式启动,至今发展仅有近一年的时间,文章以深圳排放权交易所公布的碳配额价格为研究对象,考虑国际碳价、国内外经济状况、国内外能源价格和汇率四个维度共13个影响因素,以自适应Lasso方法进行降维和参数估计,并与逐步回归作比较。研究发现:国内区域碳价受欧元汇率的影响最大,其次是国内的石油价格;国内经济和欧洲经济状况对国内区域碳价有正向影响;而国际碳价与国内区域碳价之间的联系较弱。

基于AEA算法的自适应惩罚函数求解约束优化及其在丁烯烷化过程的应用

提出了一种基于AEA算法处理约束问题的自适应惩罚函数法。该算法通过统计迭代种群中个体对每个约束条件违反的次数,判定各约束的强弱地位,动态自适应地调整各个约束的惩罚系数,对于强约束给予较大的惩罚系数。同时对目标函数做出了相适应区分修改,使得可行解和不可行解的目标函数值出现一定的区分,目标函数项和惩罚项趋于平衡,避免了惩罚力度过大或过小,有利于算法前期快速进入可行解区域,后期寻找最满意解。通过标准测试函数试验结果与DE+AMP、SSaDE算法进行比较,表明了提出的方法具有良好的适用性以及全局优化性能,将该方法应用于丁烯烷化过程的约束优化,取得了令人满意的结果。

自适应误差惩罚支撑向量回归机

该文提出一种支撑向量回归机AEPSVR。它首先用ε-SVR求得一个近似的支撑向量回归函数,在此基础上,引入一种新自适应误差惩罚函数,通过迭代,得到鲁棒的支撑向量回归机。该方法因以ε-SVR为基础,故可以应用各种求解SVR的优化算法。实验表明,该支撑向量回归机AEPSVR能显著地降低离群点的影响,具有良好的泛化性能。

面板数据贝叶斯自适应Lasso分位数回归——基于非对称指数幂分布的研究

分位数回归的贝叶斯推断目前几乎都建立在非对称拉普拉斯分布(ALD)之上。ALD中尾且缺乏控制尾部参数的弊端使得其在实际数据出现尖峰厚尾以及偏斜分布时不能灵活地反映数据特征,导致贝叶斯分位数估计出现偏差。为克服这一缺陷,本文采用具有左右尾参数的非对称指数幂(AEP)分布和基于Gibbs的自适应Metropolis–Hastings抽样方法,对经典贝叶斯分位数回归方法进行了扩展与改进,形成了基于AEP分布的贝叶斯自适应Lasso分位数回归方法,并将该方法首次应用于面板数据中。同时,为检验AEP方法的有效性,本文将该方法与基于偏指数幂(SEP)分布和基于ALD分布的贝叶斯自适应Lasso分位数回归方法进行了模拟比较。结果显示,AEP方法比SEP和ALD方法更不易受极端值的影响,性能更稳定。并且,在不同扰动项分布假设和不同分位数水平下,该方法具有更高精度的变量筛选功能。最后,选取36家我国零售类上市公司为实证研究对象,运用AEP方法对其股票收益率影响因素进行筛选和回归估计,进一步验证了该方法在实际问题中进行变量选择和参数估计的能力。

基于自适应动态惩罚遗传算法的桥梁监测无线测点优化研究

针对桥梁监测的无线测点优化布置问题,提出一种基于自适应动态惩罚函数的改进广义遗传算法。首先针对无线传感器数量固定和通信距离有限的典型特征将桥梁监测无线测点优化布置表达为约束优化问题,无线传感器的数量和极限传输距离作为优化问题的约束;其次构建了一种能够根据解的偏离程度和种群中高适应度个体数量自动调整惩罚力度的自适应动态惩罚函数;然后采用精英保存机制和末位淘汰策略对基于二重结构编码的广义遗传算法进行了改进;最后利用一大跨悬索桥对该方法进行了验证,并进一步讨论了自适应动态惩罚函数对解的有效性和收敛速度的影响。结果表明:提出的自适应动态惩罚函数能够根据种群的特征自动改变惩罚尺度,保证无线传感器之间的距离小于极限通信距离,同时将无线数据传输距离对桥梁监测信息获取的影响降到最低;改进的广义遗传算法具有很强的全局快速寻优能力,能够快速搜索到全局最优解,优化结果不仅能够满足无线传感网络数据传输距离的要求,还能最大化无线测点的信息获取能力。

中部六省FDI影响因素适应性Lasso模型探析

本文基于变量选择理论,运用适应性Lasso模型,选取中部崛起背景下2006-2017年中部六省的历史统计数据,探索影响中部六省外商直接投资的主要因素。结果表明:(1)中部崛起背景下,中部六省外商直接投资整体呈上升态势,存在明显的阶段性特征,其中"2008年世界金融危机爆发"是发展进程中的重要节点事件;(2)对影响因素深度剖析表明,集聚程度、经济发展水平、基础设施发展、政府效率对于吸引外资的作用明显。最后根据影响因素的强弱特征,给出了中部地区促进外商直接投资的相关建议。