用牵制控制方法进行含随机噪声的复杂网络的拓扑结构识别

本文研究了含噪声的复杂动态网络的拓扑结构识别的问题.利用牵制控制(Pinning控制)方法,基于随机微分方程的理论基础,来进行网络的拓扑结构识别,设计自适应反馈控制器和识别率,来反演网络结构,通过数值仿真,获得了pinning控制方法主要是通过一部分未知节点来识别整个网络的拓扑结构的结果,噪声强度的范围将影响网络结构正确识别时的耦合强度范围,噪声强度越大,可识别的耦合强度也越大.     

牵制控制含噪声的多延迟超网络的结构识别

本文研究了含噪声的多延迟超网络的结构识别问题,利用随机微分时滞方程的LaSalle不变原理和Lyapunov稳定性理论,获得了通过牵制控制进行超网络结构辨识的理论.通过数值仿真验证了理论结果的有效性.以三层网络为例,仅控制一个节点就可以成功识别出该网络的未知拓扑结构,同时,驱动网络和响应网络达到了同步.     

固定效应面板数据的无条件分位数回归方法及其应用

针对含固定效应的面板数据,讨论一般化的无条件分位数回归建模问题。基于两个矩条件,得到面板数据无条件分位数回归的点估计,并通过Bootstrap重抽样技术进一步给出置信区间估计办法。其次,通过计算机蒙特卡洛模拟,详细比较无条件分位数回归估计与条件分位数回归估计的效果。研究结果表明,在数据量、误差项分布、估计参数真实值的不同情况下,UQR的估计偏差和均方根误差都很小,UQR是含固定效应面板数据的有效估计办法。当样本量增加或者估计参数真实值数量级增大的情况下,UQR估计会更有效。UQR估计在0.5分位点的估计效果最佳,低分位点的估计效果优于高分位点的估计效果。最后,根据各省市的消费收入数据进行了实证研究,发现UQR能更好地解释实际的消费情况。