相依样本下一种近邻密度估计的相合性

设是{x_n}_(n~∞)=1是R^1中的平稳过程,具有公共的未知密度函数f(x),我们研究基于前n个观测值X_1,X_2,…,X_n的f(x)的一种近邻估计f_n(x),本文假定{X_n]}_(n~∞)=1为φ-混合或强混合的,在对混合系数φ(n)趋于零的速度的适当限制下,证明了f_n(x)的逐点相合性及一致强相合性,并得到了这两种相合性的强收敛速度。

一般形式的k_n—近邻密度估计的相合性

本文在适当的条件下得到了一般形式的多元k_n—近邻密度估计的一些相合性结果

多元K_n-近邻密度估计的一致收敛速度

本文在适当的条件下研究了对于一般型式的k_n~_近邻密度估计强一致相合性的收敛速度.

IC参数成品率全局优化的映射距离最小化算法

提出了一种新的集成电路参数成品率的全局优化算法———映射距离最小化算法.该算法采用了均匀设计与映射距离最小的耦合优化,每次迭代模拟次数很少,优化过程明显加速.另外,给出了一种粗略估计空间点集均匀性的方法———k近邻密度估计,在有效时间内判断一个空间点集的均匀性.模拟结果表明,该算法对集成电路进行快速成品率优化设计及提高电路设计的稳定性具有较好的应用价值.

加权极限学习机的多变量时间序列预测方法

提出一种基于样本分布的极限学习机预测模型WELMSD.该模型先用kN近邻密度估计方法估计出样本的密度值,再用估计出的密度值给传统ELM的经验风险项加权,克服传统ELM在对时间序列进行预测时忽略样本分布的缺点.基于Rossler混沌时间序列和上证、深证股票数据的实验仿真结果证明了所提算法的有效性,且当近邻参数k_N取值较小时,所提模型对参数不敏感,是一种更优的多变量时间序列预测模型.