非对称质量损失函数系数的参数设计

针对望目质量特性的产品,引进了田口玄一的质量损失函数,分析了Artiles-leon提出的无量纲‘标准化’的多变量质量损失函数.然后从非对称方面对损失函数系数进行拓展,是田口质量损失函数的近一步发展.从而达到更精确地计算质量损失的目的.

基于对称损失函数下Poisson分布变异系数的估计

对应用统计中常用的参数Karl-Pearson变异系数,在给定的一组Poisson样本下,用对称损失函数研究了它的Bayes估计的形式与性质,并由此讨论了它的一类估计的可容许性和不可容许性,模拟结果表明:所得到的Karl-Pearson变异系数的Bayes估计具有较高的精度,可以在统计判决问题中使用.

平衡损失下回归系数的线性容许估计

该文在平衡损失函数下 ,研究线性模型中回归系数的线性容许估计 ,得到了充要条件 .结果表明 。

一种新的预测评价方法——损失函数法

本文提出了一种用以衡量预测误差对决策产生影响的损失函数。

基于非对称损失函数的参数设计

本文针对望目特性的正态指标,在非对称的二次质量损失函数下,讨论了参数设计的可行性, 证明田口方法的稳健性设计和灵敏度设计依然行之有效.定义了调整参数,求出了使质量损失最小的数值解,并给出了参数设计的具体步骤.

平衡损失下回归系数最优线性无偏估计的相对效率

本文研究了一般Gauss-Markov模型中回归系数的最优线性无偏估计的相对效率问题.利用Lagrange乘数法,获得了回归系数的最优线性无偏估计.并在此基础上定义了最优线性无偏估计的两种相对效率.

平衡损失下一般Gauss-Markov模型中回归系数的线性Minimax估计

通过对Zellner提出的平衡损失函数的改进,提出一种新的平衡损失函数,并在此基础上研究一般Gauss-Markov模型中回归系数线性估计的Minimax性,得到了齐次线性估计类中的线性Minimax估计,并证明了在适当的假设下回归系数线性Minimax估计在几乎处处意义下的唯一性。

平衡损失下有限总体回归系数的线性可容许预测（英文）

本文研究了平衡损失函数下正态总体和非正态总体中有限回归系数的可容许预测.利用统计决策理论,获得了非正态总体中齐次线性预测为可容许预测的充分必要条件和在正态总体中齐次线性预测在一切预测类中可容许性的充要条件,推广了二次损失下的若干相关结果.

矩阵损失下带约束的回归系数Minimax可容许性的特征

在矩阵损失下给出了带约束回归系数线性估计在齐次线性估计类中是Ｍｉｎｉｍａｘ可容许估计的充要条件

平衡损失下回归系数的最优线性无偏估计

在平衡损失函数下得到了回归系数的最优线性无偏估计,结果表明平衡损失下的最优线性无偏估计就是线性模型中回归系数的最小二乘估计.

二次损失下回归系数的线性条件Minimax估计

考虑带线性等式约束的线性模型 .对任一条件可估函数 ,给出了二次损失下线性条件 Minimax估计的定义 ,并得到了唯一的线性条件Minim ax估计 .

矩阵损失下随机回归系数和参数的线性Minimax估计(英文)

对于一般的随机效应线性模型 Y=Xβ+ ε,这里 β和 ε分别是 p维和 n维的随机向量 ,且E βε =Aa0 , Cov βε =σ2 V100 V2,(Vi ≥ 0 ,i =1,2 )我们定义了 Sα+ Qβ的线性 Minimax估计 ,在一定条件下得到了 Sα+ Qβ在线性估计类中的 Minimax估计 ,并在几乎处处意义下证明了它的唯一性 .

平衡损失下回归系数的最小风险估计

研究了线性模型中回归系数的最小风险估计问题.在平衡损失函数下,考虑了回归系数线性估计在线性估计类中的最小风险性,结果表明最小风险估计是非线性有偏估计,它与未知参数有关,当用未知参数的不同估计代替时,得到的估计都是一种估计的平衡.

平衡损失下回归系数stein压缩估计的性质

在平衡损失风险函数准则下,研究线性模型中回归系数的stein估计优于最小二乘估计(LS)的充分必要条件,然后在pitman closeness(PC)准则下比较了stein估计相对于最小二乘估计的优良性。

平衡损失下回归系数线性估计的容许性

研究带约束的线性模型Y=Xβ+εEε=0,Eεε′=σ2IHβ=0,在平衡损失函数L(d,β)=w(Y-Xd)′(Y-Xd)+(1-w)(Xd-Xβ)′(Xd-Xβ)下,其中0≤w≤1已知,d为β的一个估计,给出了β的估计LY(LY+a)在齐次线性估计类L(线性估计类L1)中可容许的充要条件.

包含基尼系数的宏观消费函数的构建及应用

基于经典帕累托收入分布的洛仑兹曲线函数,构建了一个包含基尼系数的宏观消费函数,突破了以往基于同质假设的消费函数难以包含基尼系数的局限。文章利用该函数本文完整并更彻底地证明了边际消费倾向递减是"降低基尼系数能提高总消费"的唯一充分条件,并给出计算收入不平等的(消费)福利损失的公式,最后还给出了量化测度基尼系数等因素变化对居民消费率变化影响的方法,该方法相对于传统的计量方法有一定的改进。

平衡损失下约束线性回归模型中回归系数的可容许估计

本文在平衡损失函数下得到等式约束模型中回归系数在齐次(非齐次)估计类中存在可容许估计的充要条件,给出带有不完全椭球约束模型中回归系数的线性估计在一切估计类中为可容许估计的充要条件.

深度自编码与改进损失函数在极端不均衡故障诊断中的应用

在实际应用中,滚动轴承大多时候都是在正常状态下工作,因此收集到的故障数据较少,这就会产生数据不均衡的问题。这种数据不均衡问题极大地影响着模型的拟合和泛化能力,导致模型产生过拟合情况,而往往忽视对小类别样本的学习。尤其当故障样本数极少时,此问题更突出。针对这个问题,提出一种基于改进交叉熵损失函数的深度自编码器的诊断模型,首先提取振动数据的小波包能量,其次将小波包能量输入到深度自编码器中,最后通过SoftMax分类器得到诊断结果。改进的加权损失函数可以根据各类别样本的数量调整权重系数,样本数量越少,系数越大,使得模型在训练时更专注于数量较少的样本。通过在凯斯西储大学及西安交通大学的轴承数据集上的两个实验表明,加权损失函数可以提高极端不均衡数据的诊断精度。

基于一类损失函数的组合预测模型构建

组合预测的关键问题就是确定各单项预测的权系数,通过构造一类损失函数,以损失函数最小为目标来确立组合预测模型中各单项预测的权系数.比较了损失函数中的参数取不同值时对应的组合预测的预测效果,得出了在变权组合预测中,并非只有一组权系数能使预测效果达到最优.

CNN算法的损失函数优化及在低信噪比资料中的应用

深度学习CNN算法的核心之一是其利用损失函数完成反传机制达到各层网络之间的优化,因此,不同的损失函数及反传机制带来训练阶段人工神经网络模型不同的网络优化效果,其影响了机器学习算法的泛化能力及预测效果。基于此,文中提出了一种改进的带惩罚系数的损失函数,解决了在断层识别问题中因正负样本的数量高度不均衡导致的网络朝着错误方向收敛的问题。将其用于网络中指导训练,通过不同损失函数下的网络模型对理论数据和实际数据的识别结果,证明了这种方法的有效性和适用性。在低信噪比资料中的断层识别中,这种改进的优化网络,能够得到更稳定和更可靠的断层识别结果,为研究区潜山内幕小断层及断缝系统识别提供一种高效可靠的方法技术。