非线性时间序列的投影寻踪学习网络逼近

本文研究非线性自回归模型投影寻踪学习网络逼近的收敛性,证明了在L^k(k为正整数）空间上,投影寻踪学习网络可以以任意精度逼近非线性自回归模型,给出基于投影寻踪学习网络的非线性时间序列模型建模和预报的计算方法和应用实例,对太阳黑子数据,山猫数据及西安数据进行了拟合和预报,将其结果与改进BP网和门限自回归模型相应的结果进行比较,结果表明基于投影寻踪学习网络的非线性时间序列的建模预报方法是一类行之有效的方法。     

回归函数的投影寻踪逼近的L_p收敛性

投影寻踪是用来处理高维数据得一类新型统计方法．由于不知道Ｅ（ｒｍ（ｘ）｜ａＴｍｘ）的具体形式，给投影寻踪回归的应用带来一定的困难，为此，作者曾证明岭函数为多项式形式的投影寻踪回归的 Ｌ２收敛性［３］，本文在文献 ［３］的基础上进一步证明了回归函数投影寻踪逼近的 Ｌｐ收敛性．     

投影寻踪模型的改进及其在城市水资源承载能力预测中的应用

在城市水资源承载能力研究中,偏最小二乘回归方法能有效地处理自变量间多重线性相关性问题,但不能较好地处理因变量与自变量间复杂的非线性问题.投影寻踪神经网络耦合模型是处理非线性问题的有力工具,而且神经网络投影寻踪耦合模型稳健性高,但不能较好地处理自变量间多重线性相关性问题.本文把这两种方法结合在一起,建立了基于偏最小二乘回归的神经网络投影寻踪耦合模型,对城市水资源承载能力进行了预测,并取得了满意效果.     

回归函数的投影寻踪逼近的Lp收敛性

投影寻踪是用来处理高维数据得一类新型统计方法。由于不知道Ｅ（ｒｍ（ｘ）│α＾Ｔｍｘ）的具体形式,给投影寻踪回归的应用带来一定的困难,为此,作者曾证明岭函数为多项式形式的投影寻踪回归的Ｌ２收敛性「３」,本文在文献「３」的基础上进一步证明了回归函数投影寻踪逼近的Ｌｐ收敛性。     

非线性系统高维特征量的稳健投影寻踪建模

针对非线性系统高维特征量的识别与提取问题,本文给出了稳健投影寻踪建模的方法。应用此方法,对试飞实测数据进行处理,建立了飞机发动机低压转子转速与其余六个特征量的稳健投影寻踪模型。上述模型不仅揭示了该非线性系统多个特征量之间关系,而且模型精度高,达到了实际工程要求。     

基于稀疏自编码器的金融市场指数预测模型

针对高维数据"维数灾难"问题,降维是最典型的处理方式之一。降维技术不仅可以减弱"维数灾难"的负面影响,而且能够剔除高维数据中的冗余特征,从而提升高维数据回归、分类等任务的效率。高维数据通常呈现出复杂或非线性结构,恰当的降维方法可以有效地将高维特征数据投影至低维空间,以实现原始数据的非线性特征提取。本文尝试使用无监督学习模型稀疏自编码网络对金融高维数据进行非线性特征提取,将提取到的特征作为有监督学习模型BP神经网络的输入以预测指数收益率。更进一步地,为了验证稀疏自编码算法在特征提取方面的优势与有效性,本文引入稀疏主成分模型进行对比分析。实证分析显示:本文所使用的稀疏自编码网络能够较好地提取非线性特征并进行预测,其预测精度优于以稀疏主成分为代表的线性降维方法。     

PP 型拟合优度检验

摄影寻踪(Projection Pursuit,简称PP)是一种新兴的用来处理高维数据的统计方法,其主要思想是通过极大化某个投影指标(通常是分布函数的泛函)来寻找低维投影,通过对其低维投影数据的研究来发现高维数据的性质.PP 方法自首次提出,已用于处理一些非正态多维数据分析问题,如回归、判别、聚类、密度估计等.     

PPR的收敛性和全面攻击导弹数据处理

本文证明了投影寻踪回归(Projection Pursuit Regression简称PPR)中岭函数为多项式形式时,PPR的L_2收敛性;对岭函数为多项式形式的投影寻踪回归给出了一种新的算法;应用这种算法对全向攻击导弹数据进行了处理,所获得的回归模型可供科研单位实际使用.     

删截分布未知的多维随机删截数据的PP拟合优度检验

文[5]在假定删截分布已知的条件下,用投影寻踪（PP）技巧讨论了多维随机删截数据的PP拟合优度检验问题．本文讨论截尾分布未知时,多维随机删截数据的拟合优度检验问题,得到了检验统计量在零假设成立时的渐近分布,并讨论了其Bootstrap逼近．     

进化泛函网络多维函数逼近理论及学习算法

提出了一种用于多维函数逼近的进化策略修正泛函网络基函数系数的新算法,并给出了其算法学习过程.利用进化策略的自适应性来确定基函数前的系数,改进了泛函网络的参数通过解方程组来得到这一传统方法.仿真结果表明,这种新的逼近算法简单可行,能够逼近给定的函数到预先给定的精度,具有较快的收敛速度和良好的逼近性能.