基于函数型数据的系数正则化回归的收敛速度（英文）

本文研究了基于函数型输入和_1-正则化的最小二乘回归问题的推广性能.利用基于Rademacher平均的分析技术,获得了学习速度的估计,推广了已有的欧式空间有限维输入结果.     

回归函数核估计的收敛速度

本文在P≥1的条件下,给出了回归函数m(x)的核估计m_n(x)的若干种p阶平均收敛速度,改进并推广了文献[1]及[2]中的若干结果。     

函数型数据回归分析综述

随着计算机储存能力和在线观测技术的提高,当今数据越来越多的以曲线和图像的形式存在.曲线和图像数据两个最显著的特征是高维和相邻数据间高度相关.这些特征使得传统的多元统计分析方法不再适合,而函数型数据在处理曲线和图像数据中具有无可比拟的优势.近年来各种各样的函数型数据分析方法得以发展,其中包括数据的对齐、主成分分析、回归、分类、聚类等.本文主要介绍函数型数据回归分析研究的起源、发展及最新进展.具体地,本文首先介绍函数型数据的概念;其次介绍函数型主成分分析方法;再次着重介绍函数型回归模型的估计、变量选择和检验方法;最后将简要探讨函数型数据未来的可能发展方向.     

l~P-系数正则化Shannon采样学习算法收敛速度(英文)

研究l~P-系数正则化意义下Shannon采样学习算法的收敛速度估计问题.借助l~P-空间的凸性不等式给出了样本误差和正则化误差的上界估计,并给出了用K-泛函表示的逼近误差估计.将K-泛函的收敛速度估计转化为平移网络逼近问题,在此基础上给出了用概率表示的学习速度.     

基于相关熵损失的核正则化回归学习速度（英文）

最大相关熵回归在信号处理领域有广泛应用,其收敛性分析是机器学习领域中的热门研究课题.本文给出一种新的误差分析框架,将非凸优化问题转化为局部凸优化问题,然后应用凸分析方法给出最大相关熵回归(MCCR)收敛性的理论分析;将最优化回归函数表示成一种积分方程的解,用K-泛函和再生核Hilbert空间最佳逼近表示泛化误差,给出学习速度的一种上界估计.     

单位球上散乱数据核正则化回归的误差分析

给出基于二次损失的单位球盖(单位球)上确定型散乱数据核正则化回归误差的上界估计,将学习误差估计转化为核函数积分的误差分析,借助于学习理论中的K-泛函与光滑模的等价性刻画了学习速度.研究结果表明学习速度由网格范数所控制.     

非参数回归函数核估计的强收敛速度

本文给出回归函数m(x)=E(Y|X=x)满足λ(0<λ≤1)阶Lipschitz条件,且E|Y|~r<∞,r>1时,对m(x)的核估计有同时本文也改善了赵林城、方兆本(1985年)和孙东初(1985年)关于m_n(x)强相合于m(x)的结果。     

L1正则化Logistic回归在财务预警中的应用

线性模型和广义线性模型已广泛地用于社会经济、生产实践和科学研究中的数据分析和数据挖掘等领域,如公司财务预警,引入L1范数惩罚技术的模型在估计模型系数的同时能实现变量选择的功能,本文将L1范数正则化Logistic回归模型用于上市公司财务危机预报,结合沪深股市制造业ST公司和正常公司的T-2年财务数据开展实证研究,舛比Logistic回归和L2正则化Logistic回归模型进行对比分析.实验结果表明L1正则化Logistic回归模型的有效性,其在保证模型预测精度的同时提高模型的解释性.     

非参数回归函数核估计的Lp收敛速度

在p≥1和适当的条件下，给出了回归函数m(x)＝E（Y|X＝x）的核估计的若干种Lp收敛速度，改进并推广了韦来生（1984）的结果。     

正则化回归算法的快速学习率

本文讨论了再生核Hilbert 空间上一类广泛的正则化回归算法的学习率问题. 在分析算法的样本误差时, 我们利用了一种复加权的经验过程, 保证了方差与惩罚泛函同时被阈值控制, 从而避免了繁琐的迭代过程. 本文得到了比之前文献结果更为快速的学习率.     

一类纵向数据半参数模型估计的收敛速度

本文研究了一类纵向数据半参数模型参数和回归函数的估计问题.利用最小二乘法和一般的非参数权函数方法,获得了参数估计量的强收敛速度和回归函数估计量的一致收敛速度,推广了文献[4]的相应结果.     

基于相依函数型数据非参数回归函数的稳健核估计

本文研究了基于相依函数型数据非参数回归函数的核估计.利用稳健的方法,在一定条件下获得了与i.i.d.场合下类似的估计量的几乎完全收敛速度,推广了现有文献中的相关结论.     

误差为鞅差序列的回归函数估计的收敛速度

当误差为鞅差序列时,研究固定设计点列情形下非参数回归函数一般权函数的非参数估计,并在一些基本条件下给出了估计的一致最优强收敛速度．     

回归函数改良核估计的强相合性及收敛速度

令(X,Y),(X_1,Y_1),…,(x_n,Y_n)为R~p×R~1上一串i.i.d。随机向量,且E(|Y|)<∞。研究如何利用(X_1,Y_1),…,(X_n,Y_n)观察的结果估计回归函数 m(x)=E(Y|X=x),称为非参数回归函数估计问题。Watson和Nadaraya首先建议用核估计     

REGULARIZATION METHOD FOR IMPROVING OPTIMAL CONVERGENCE RATE OF THE REGULARIZED SOLUTION OF ILL-POSED PROBLEMS

1IntroductionThestudyoflllallymathematicalphysicsproblemsleadstosolvingoperatorequatiollsofthefirstkind,andtheoperatorequatiollsofthefirstkindaretypicallyill--posedprobellis[1,2,3,4].Themethodsforsolvillgill-posedproblellishavebeenstudiedbyagreatnumberofresearchers.WementionTikhonovandArsellill[2],Morozov[3]IGroetscll[4],Engll51,HouandLi['],ChenandHouI7]alldoillerscholars.Illtheirresearches,they11avediscussedtheproblemoffindingstableapproxilllatesolutiollsand11aveillvestigatedtileconverge…     

THE OPTIMAL RATE OF CONVERGENCE OF ERROR FOR kNN MEDIAN REGRESSION ESTIMATES

Let(X,Y),(X_1,Y_1),…,(X_n,Y_n)be iid.random vectors,where Y is one-dimensional.It is desired to estimate the conditional median(X)of Y,by use of Z_n={(X_i,Y_i),i=1,…,n}and X.Denote by(X,Z_n)the kNN estimate of(X),and putH_(nk)(Z_n)=E{|(X,Z_n)-(X)||Z_n},the conditional mean absolute error.This articalestablishes the optimal convergence rate of P(H_(nk_n)(Z_n)>ε),under fairly generalassumptions on(X,Y)and k_n,which tends to ∞ in some suitable way.     

误差为鞅差序列的回归函数估计的收敛速度

当误差为鞅差序列时,研究了固定设计点列情形下非参数回归函数一般权函数的非参数估计,并在一些基本条件下给出了估计的一致最优强收敛速度.     

Hlder范数下关于Brown运动增量的泛函局部收敛速度

本文研究了Brown运动在H?lder范数与容度下的泛函极限问题.利用大偏差小偏差方法,获得了Brown运动增量局部泛函极限的收敛速度,推广了文[4]中的结果.     

线性模型回归系数EB估计的一致收敛速度

利用多元密度函数及其导数的核估计方法，建立了多元线性模型回归系数的经验Ｂａｙｅｓ估计，并给出了这种估计的一致收敛速度。     

关于伽略金方法收敛阶的估计

§1.引言设H是可分的Hilbert空间,内积为(·,·),范数为||·||.v是H的稠密子空间.于V定义另一内积[·,·]和相应的范数|·|,使v关于[·,·]具有Hilbert空间结构。假定v往H的嵌入:v|→H连续,即存在常数a>0,使 ||u||≤a|u|,uv. (1) 设L_1,L_2是由v到H的线性算子,其定义域D_(L_1),D_(L_2)是v的线性稠密子集,且D_(L_1)D_(L_2).令A=L_1+L_2(显然A的定义域D_A=D_(L_ I))。对H,我们考虑算子方程