混合Kriging代理模型的高维参数估计优化算法

基于Kriging代理模型的优化算法对于解决函数计算昂贵的优化问题非常有效,但并不适用于高维参数的优化.针对该问题,提出了一个混合Kriging代理模型和多种优化技术的算法.该算法在Kriging模型选择新样例点时使用单维参数独立优化以克服维度灾难并提高收敛速度,同时基于已构建的Kriging代理模型信息提出一种新的动态坐标扰动策略,并将该策略用于高维参数优化以得到更好的目标函数值.为了保证不丢失全局最优解,在使用一般期望提高加点策略作为选点原则时,在期望函数的多个峰值同时选点.为了验证算法的有效性,将该算法应用于具有41维参数的人类白细胞代谢网络参数估计问题.实验结果表明,在有限的迭代次数下,该算法能产生较小的目标函数值,以及和实验拟合较好的参数估计结果.

聚集数据广义线性模型参数的估计

对于聚集数据的广义线性模型:Y=Xβ+u,Eu=0,Var(u)=σ2∑,提出了二种有偏估计:岭估计β(k)与改进岭估计β(k)。在均方误差意义下,研究了它们的优良性,并将岭估计与改进岭估计进行了比较,推广了有关文献中的结果。

九参广义协调元的误差估计

九参数广义协调元是板弯曲问题收敛性很好的有限元.以往文献中仅证明了它的收敛性,本文给出它的误差估计式,并分析了节点参数的扰动量.

聚集数据线性模型广义聚集双参数改进估计的相对效率

针对病态的聚集数据模型,基于Liu型和Stein压缩参数估计方法,提出了聚集数据线性模型广义聚集双参数改进估计的概念,讨论了广义聚集双参数改进估计的优良性,证明了广义聚集双参数改进估计代替最小二乘法估计和Peter&Karsten估计的效率,并得到了两种相对效率的上界.

聚集数据线性模型参数的改进广义岭估计的相对效率

对于聚集数据的线性模型,给出了参数的改进广义岭估计,并提出了改进广义岭估计的两种相对效率,得到了这两种相对效率的上界.

聚集数据线性模型广义聚集双参数估计的相对效率

对于聚集数据的线性模型,提出了广义聚集双参数估计的概念,给出了广义聚集双参数估计的两种相对效率,并得到了这两种相对效率的上界.

聚集数据线性模型广义聚集综合两参数估计的相对效率

对于聚集数据的线性模型,提出了广义聚集综合两参数估计的概念,给出了广义聚集综合两参数估计的两种相对效率,并得到了这两种相对效率的上界.

聚集数据线性模型的聚集广义改进双参数估计的相对效率

对于聚集数据的线性模型，提出了聚集广义改进双参数估计的概念，给出了聚集广义改进双参数估计的两种相对效率，并得到了这两种相对效率的上界．