AN INTEGRAL ESTIMATE AND THE EQUIVALENT NORMS ON F(p, q, s, k) SPACES IN THE UNIT BALL

In this article, the authors give a typical integral＇s bidirectional estimates for allcases. At the same time, several equivalent characterizations on the F（p, q, s, k） space in theunit ball of Cn are given.

ERROR ESTIMATES OF GALERKIN METHOD FOR HIGH DIMENSIONAL STEADY STATE KURAMOTO-SIVASHINSKY EQUATION

Error estimates of Galerkin method for Kuramoto-Sivashingsky (K-S) equation in space dimension ≥3 are derived in the paper. These results furnish strong evidence for the computation of the solutions.

推广的Class K估计及其当截断分布已知时的大样本性质

本文提出 Ｔｕｒｎｂｕｌｌ型双侧截断数据线性回归参数的 ＣｌａｓｓＫ估计．并证明当截断变量的分布（简称为截断分布）已知时。

一种K-means聚类和超球结合的多类分类算法

针对现有的多类分类算法效率低下的问题,提出一种K-means聚类算法和超球结合的多类分类算法。对每一类样本,先使用K-means算法获得子类;再在各个子类上构造最小超球,由此对每类都获得一个超球集;这些超球将样本空间分割,根据样本点所在空间的位置综合得到决策函数,用于对输入样本点进行类别判断。从理论上分析该方法能够有效提高分类的速度和准确率。

定常Kuramoto-Sivashinsky方程关于非线性伽辽金方法的一个注记(英文)

本文讨论了定常 K-S方程关于伽辽金方法和非线性伽辽金方法的收敛性和最大模估计 ;对相同模数而言 ,两者的误差阶完全一致 .数值结果表明非线性伽辽金方法同样成功地计算出了 K-S方程的分歧解 。

相依误差线性模型中的主成分s-K估计

为同时克服线性回归模型的自相关性和回归变量间的复共线性,通过融合主成分回归估计和s-K估计,提出一类新估计,称为主成分s-K估计;并在均方误差阵意义下,得到了这类估计分别优于广义最小二乘估计、主成分估计、r-k和s-K估计的充要条件.Monto Carlo数值模拟表明,新估计是一种同时克服自相关性和复共线性的有效方法.

关于K-S方程的非线性伽辽金方法(英文)

该文讨论了关于 K- S方程的伽辽金方法和非线性伽辽金方法的收敛性和 L2 误差估计 。

线性模型参数一类新的s-K估计

基于线性回归模型参数向量的先验信息提出一类新的s-K估计——改进s-K估计,并在均方误差阵意义下,得到了这类估计分别优于最小二乘估计、广义岭估计、Stein估计及s-K估计的充要条件.

K-S检验下的copula分布估计算法边缘分布的研究

借鉴K-S检验的思想,应用到copula分布估计算法边缘分布函数的选取中。在估计概率模型阶段,根据实际样本点来建立模型确定所服从的边缘分布函数,其中采用多种不同的分布函数(柯西分布、t分布和正态分布等)作为候选的边缘分布函数。在参数估计阶段,采用PMLE估计copula函数参数的方式进行仿真实验。根据所服从的不同的边缘分布分别进行采样,从而增加种群多样性,改善基于copula分布估计算法的执行效率。

混合系数线性模型的几乎无偏s-K估计

在连续测量数据情况下,给出了混合系数线性模型的几乎无偏s-K估计,讨论了该估计的相关性质,并在一定条件下证明了几乎无偏s-K估计优于s-K估计以及几乎无偏岭估计.

REMARK ON GALERKIN METHOD FOR TWO-DIMENSIONAL STEADY STATE KURAMOTO-SIVASHINSKY EQUATION

In this paper, the convergence and L 2 estimate of the Galerkin method are given for the steady state Kuramoto-Sivashinsky (K-S) equation.

混合系数线性模型参数的t-s-K估计

混合系数线性模型在实际问题中有着广泛的应用背景,如经济分析、可靠性退化分析以及生物学等领域,因此对该模型的研究无论从理论还是从应用角度都是十分重要和必要的。在研究连续测量数据情况下混合系数线性模型的参数估计问题的基础上,利用压缩估计方法给出该模型的一类有偏估计,并研究新估计的一些优良性质,在一定条件下证明此类估计优于s-K估计。

变系数部分线性模型的加权随机约束s-K估计

研究随机约束条件下半参数变系数部分线性模型的参数估计问题,当回归模型线性部分变量存在多重共线性时,基于Profile最小二乘方法、s-K估计和加权混合估计构造参数向量的加权随机约束s-K估计,并在均方误差矩阵准则下给出新估计量优于s-K估计和加权混合估计的充要条件,最后通过蒙特卡洛数值模拟验证所提出估计量的有限样本性质.

线性回归模型系数Stein估计的改进研究

针对线性回归模型病态的根本原因,提出了一类新的估计———c-k型估计,将岭估计与Stein估计统一到一个估计类;研究了这一估计类,证明利用岭回归技术可以改进著名的Stein估计(在均方误差意义下);同时研究了相应参数的最优值,分别给出了它的一个上界及下界,为病态线性回归模型系数的有偏估计提供了改进的技术途径.

线性回归模型系数Stein估计的改进研究

在线性回归模型Y=Xβ，E（ε）=0；COV（ε）=σ^2Ⅰ下给出了有偏估计βc（K）=（CX’X）＋ФKФ＇）^-1X’Y，其中C≥1，K=diag（k1，k2，…，kp）为对角阵，ki≥0，讨论了这种有偏估计的可容许性，证明利用广义岭回归技术可以改进著名的Stein估计（在均方误差意义下）。

回归系数的t-k类估计

在线性回归中,当设计矩阵的列向量间存在复共线性时,回归系数的最小二乘估计的性质显著变坏.为了消除或减弱复共线性对参数估计的影响,以获得更高精度的参数估计,在均方误差矩阵意义下,提出了回归系数的一类新的估计,即t-k类估计,它是对最小二乘估计的改进,是一种新的压缩有偏估计.并且与最小二乘(LS)估计、岭估计和主成分估计进行比较,给出了在均方误差矩阵意义下,t-k类估计优于这些估计的充要条件以及这些条件的检验方法.

混合系数线性模型h-K型岭估计的改进研究

文章对病态的混合系数线性模型Z(t)=[X(t)]′α+[Y(t)]′β提出一类新的估计h-K型估计,讨论此种估计的相关性质,利用Stein式压缩技术证明了可以改进岭估计(在均方误差意义下);同时给出参数的最优值满足的条件,证明h-K型岭估计的可容许性.

k-d类估计下数据删除模型的强影响分析

在k-d类估计下对单个数据删除模型进行研究,得到原模型β(k,d)与数据删除β(k,d)(i)、岭估计β_k之间的关系,并推导得到CR_i统计量和Cook统计量新的表达形式.

线性模型中回归系数的c-F(K)型估计的研究和应用

针对引起线性回归模型最小二乘估计性能变坏的根本原因,在线性回归模型中提出了一种新的有偏估计β^(F(K))=(cX'V-1X+TF(K)T')-1X'V-1Y,它将众多经典的有偏估计结合在一起,对有偏估计进行了改进.首先利用Stine式压缩技术说明在均方误差意义下β^(F(K))具有优于广义岭估计的优良性质,然后将β^(F(K))应用到多元线性回归模型的可容许性上.

基于Logistic的信用卡套现侦测评分模型

信用卡套现是信用卡产业面临的一种主要风险。单笔的套现交易与正常交易间无显著差异,难以进行基于特征的过滤筛选。为自动、高效地识别套现账户,根据统计学特征先遴选出各相关变量,并结合业务分析,利用Logistic回归模型的非线性曲线特征缺陷,克服其自变量多维相关敏感性缺陷,计算出各变量的影响权重系数,构建了信用卡套现侦测评分模型。实践表明识别准确率达到82.72%。