马田系统在数据分类中的应用

马田系统是一种新的模式识别技术,是将田口式信噪比的试验设计方法的一整套思想应用到模式识别的特征变量选择问题上,并通过构建正常样品的基准空间,应用马氏距离值进行样品类别的识别.探讨了马田系统的基本原理,并应用MTGS模型方法对费希尔关于鸢尾花类型的判别问题进行研究,显示了马田系统方法的良好判别分类效果.     

基于控制图的马田系统马氏空间生成机理研究

马田系统是以马氏距离为测量尺度,通过选取正常样本构建马氏空间,对多元系统进行诊断和预测的分类技术。马氏距离对样本数据的变化非常敏感,因此用于构建马氏空间的正常样本的数据质量直接影响到分类的准确率。实际应用中正常样本的选取大多依据主观经验判断,缺乏客观规范的选择机制。本文提出基于控制图的马氏空间生成机理,先由专家选取的正常样本构建初始马氏空间,再以每个正常样品在初始马氏空间和对应的缩减马氏空间上的马氏距离增量作为新的测量尺度,以此建立单值控制图,利用控制图稳定性判定规则剔除异常数据,从而得到稳定状态的马氏空间。实验分析结果表明该方法的有效性且提高了马田系统分类的准确率。     

基于多变量控制图的马田系统优化研究

马田系统(MTS)是一种多元模式识别方法,它首先通过正常样本来建立基准空间,再利用正交表和信噪比来筛选有效变量,最后通过马氏距离来进行分类、诊断和预测.当建立基准空间的正常样本中掺杂少数异常点时,MTS的性能必然会受到影响.根据多变量控制图原理对建立基准空间样品的适合性进行判别,将在控制线外的样品点删除后建立新的基准空间,并通过UCI数据集进行可行性分析及分类效果比较,结果显示:经多变量控制图优化后的MTS,其性能得到显著提高.     

基于粗糙集的马田系统改进及其在分类中的应用

马田系统是由日本著名质量工程学家田口玄一提出的一种模式识别方法,它将正交试验设计、信噪比与马氏距离进行集成,筛选有效特征变量,对待测群体进行诊断、评价和预测.马田系统利用正交表和信噪比筛选特征变量可能存在不足之处,而粗糙集是处理不完善、不确定数据等不完全信息并能进行属性约简的有效方法,引入粗糙集筛选有效特征变量以改进马田系统.癌细胞的及早发现有助于乳腺癌的早期预防和及时治疗,以乳腺癌细胞的分类检测为背景,选取UCI数据库中600个细胞作为研究样本,使用改进马田系统方法区分正常细胞和乳腺癌细胞,并将其分类效果与经典马田系统相比较.结果表明,基于粗糙集的改进马田系统对乳腺癌细胞的分类正确率高于经典马田系统,粗糙集方法大大减少了特征变量个数,可简化数据的收集工作,为医疗上乳腺癌疾病的早期诊断及其他实际分类工作提供技术参考.     

基于多分类马田系统的半监督数据异常点检测方法

针对包含多个正常类的多元数据异常检测问题,提出了一种基于多分类马田系统的半监督数据异常检测方法.通过对训练数据集中的每个正常类分别建立马氏空间,构建了基于马氏距离的多类测量尺度,方法对测试数据集中正常数据进行分类的同时,能够实现对异常数据的检测.通过模拟带异常值的高斯混合模型数据验证了该方法的有效性.     

测量误差数据下线性模型的几乎无偏岭估计

文章讨论带测量误差的线性模型中参数估计的问题.当带测量误差的线性模型存在复共线的时候,通过几乎无偏估计的思想,提出了几乎无偏岭估计,并对估计的性质进行分析.通过研究发现几乎无偏岭估计不但能克服复共线性,同时有比较小的均方误差.     

加权马氏距离判别分析方法及其权值确定——旅游信息服务系统的智能推荐

本文根据旅游信息服务的特点,在多元统计分析中原有的马氏距离判别法的基础上,提出了一种加权的马氏距离判别法,并运用主成分分析思想,得到了确定权值的方法.该方法运用于网络旅游信息服务智能推荐系统,通过78位注册用户的实际数据,与传统的马氏距离判别法和贝叶斯判别法进行比较,证实了加权马氏距离判别法是十分有效的.     

SAS6.11版岭回归分析程序设计及其实例分析

应用岭回归分析可以解决自变量之间存在复共线性时的回归问题。本文给出了在SAS6.1 1及以上版本中实现岭回归分析的程序 ,用具体实例说明进行岭回归的方法     

采用优化模型指标筛选的马田系统综合评价方法研究

传统的马田系统主要用于分类与诊断.将马田系统作为一种综合评价方法进行研究,分别研究了有基准空间和无基准空间两种情形下的马田系统综合评价方法及步骤.针对传统马田系统变量筛选存在的缺陷,构建多目标规划模型进行评价指标筛选,采用遗传算法求解模型.通过两个实际案例,将马田系统综合评价方法与一些常用的综合评价方法对比研究,结果表明,马田系统可以筛选评价指标和避免指标赋权问题,是一种实用且有效的综合评价方法.     

基于泛岭估计对岭估计过度压缩的改进方法

岭估计是解决多元线性回归多重共线性问题的有效方法,是有偏的压缩估计。与普通最小二乘估计相比,岭估计可以降低参数估计的均方误差,但是却增大残差平方和,拟合效果变差。本文提出一种基于泛岭估计对岭估计过度压缩的改进方法,可以改进岭估计的拟合效果,减小岭估计残差平方和的增加幅度。     

岭回归中确定K值的一种方法

本文给出了岭估计中确定K值的一种新方法,这种方法改进了Hoerl和Kennard的相应方法。     

岭参数又一确定方法的推广

对确定岭参数的方法进行了推广,给出了一种新的逐步改进岭参数κ的方法,这种方法能够通过调整岭参数来进一步减少岭估计的均方误差,并改进了Hoerl和Kennard的结果。     

Ridge Functions and Orthonormal Ridgelets

Orthonormal ridgelets provide an orthonormal basis for L²(R²) built from special angularly-integrated ridge functions. In this paper we explore the relationship between orthonormal ridgelets and true ridge functions r(x₁ cos θ+x₂ sin θ). We derive a formula for the ridgelet coefficients of a ridge function in terms of the 1-D wavelet coefficients of the ridge profile r(t). The formula shows that the ridgelet coefficients of a ridge function are heavily concentrated in ridge parameter space near the underlying scale, direction, and location of the ridge function. It also shows that the rearranged weighted ridgelet coefficients of a ridge function decay at essentially the same rate as the rearranged weighted 1-D wavelet coefficients of the 1-D ridge profile r(t). In short, the full ridgelet expansion of a ridge function is in a certain sense equally as sparse as the 1-D wavelet expansion of the ridge profile. It follows that partial ridgelet expansions can give good approximations to objects which are countable superpositions of well-behaved ridge functions. We study the nonlinear approximation operator which “kills” coefficients below certain thresholds (depending on angular- and ridge-scale); we show that for approximating objects which are countable superpositions of ridge functions with 1-D ridge profiles in the Besov space B^1/p_p, p(R), 0<p<1, the thresholded ridgelet approximation achieves optimal rates of N-term approximation. This implies that appropriate thresholding in the ridgelet basis is equally as good, for certain purposes, as an ideally-adapted N-term nonlinear ridge approximation, based on perfect choice of N-directions.     

Ridge Finding from Noisy Data

Abstract

Methods are presented for detecting ridges and/or antiridges using noisy data. Several alternative criteria are proposed for identifying points on a ridge and procedures for following a ridge line are discussed. The methods are illustrated by examples.     

Ridge Fusion in Statistical Learning

This article proposes a penalized likelihood method to jointly estimate multiple precision matrices for use in quadratic discriminant analysis (QDA) and model-based clustering. We use a ridge penalty and a ridge fusion penalty to introduce shrinkage and promote similarity between precision matrix estimates. We use blockwise coordinate descent for optimization, and validation likelihood is used for tuning parameter selection. Our method is applied in QDA and semi-supervised model-based clustering.     

On Approximation by Ridge Functions

Ridge functions are defined as functions of the form , where , belongs to the given ``direction' set . In this paper we study the fundamentality of ridge functions for variable directions sets A and discuss the rate of approximation by ridge functions. Date received: June 7, 1994. Date revised: August 3, 1995.     

岭回归估计的向量参数方法

本文提出岭回归估计的向量参数方法,选择均方误差函数的负梯度方向作为参数向量方向,根据均方误差与拟合误差的预期约束条件选择确定参数向量模长.文中获得了两个单调性结论,向量参数岭回归估计的均方误差是参数向量模长的单调减函数,而拟合误差是参数向量模长的单调增函数.基于两类误差的单调性结论,本文创建了关于两类误差的预期约束条件,预期条件约束下的向量参数岭回归方法有望成为兼备均方误差次优与拟合误差适度的双赢估计.文章最后是一个应用实例.     

��ع���Ƶ�������������

In this paper, a vector parameter method for ridge regression is proposed. We choose the negative gradient of mean square error as vector direction and decide vector norm with the expectation constrains both of mean square error and of residual error. We come to conclusions that the mean square error is a decreasing function of vector norm while the residual error a increasing one. It is the monotonicity of the errors that leads to our expectation constrains. Since two conflict constrains are under consideration, our vector parameter ridge regression is expected to bear both satisfactory mean square error and acceptable residual error. Finally, a multi-collinearity model is given as an example.     

Ridge wavelets on the ball

We present a ridge polynomial wavelet-type system on the unit ball in such that any continuous function can be expanded with respect to these wavelets. The order of the growth of the degrees of polynomials is optimal. Coefficient functionals are the inner products of the function and the corresponding elements of a “dual wavelet system”. The “dual wavelets” is also a ridge polynomial system with the same growth of the degrees of polynomials. The system is redundant.