基于聚类的轮廓数据质量监控方法研究

轮廓线的变点识别是质量管理的研究热点之一,当前研究多以轮廓整体变化为识别对象,而对局部变化问题研究相对较少,且更少有在发现变异时间的同时能够寻找到变化区域在个体轮廓曲线上位置的系统方法。本文针对轮廓线局部变化识别问题,提出基于小波变换和聚类分析的方法。通过仿真性能评价,并与现有方法进行比较,结果显示本方法能够在更小的差异度检测出变化并准确定位变化区域。在文章的末尾,本文采用了一个实例对该方法的效果进行验证。     

多维统计数据质量检验与异常点识别的模型与方法

本文证明 ,反映社会经济规模大小的多维统计数据近似服从多维对数正态分布 .基于此 ,本文提出了对这类数据的质量及其异常点进行检查和识别的多维对数正态分布检验法 ,并以我国中央部门属研究机构的调查数据为例进行了研究     

应用RJMCMC方法识别线性模型异常点

传统线性模型异常点识别方法容易发生误判:正常点被归为异常点或者异常点被归为正常点.为解决此类问题,提出了应用逆跳马尔科夫蒙特卡洛方法识别异常点的思想,同时将其应用于实际数据加以检验,识别效果明显好于传统方法.     

基于非参数密度估计的异常点诊断方法

异常点诊断是统计学中的经典问题.发现并减少异常点对纳税评估数据分析的影响是一项很有意义的研究.然而,通常的异常点诊断一般采用适用于单峰分布的全局识别方法.借鉴局部域相关积分(Local correlation integral)理论,提出基于非参数密度估计的识别方法.方法适用于多峰分布,能识别局域性质的异常点,对异常点占比较高的样本也有较强的识别能力.基于某市10 920个企业样本,实证分析对比研究了税务局目前使用的和建议的纳税评估方法,结果表明税务局采用的方法有较大的纳税评估风险(误判风险).     

ARMAX时间序列模型异常点及异常点斑片的估计和检测

将通常的Gibbs抽样和自适应的Gibbs抽样算法用于带有外生变量的自回归移动平均时间序列(ARMAX)模型的Bayes分析,首先采用一些方法消除ARMAX模型中输入(外生变量)序列的影响,然后在前人工作的基础上给出了一种类似的挖掘相应时间序列中的异常点及异常点斑片的方法.说明了自适应的Gibbs抽样算法也能够有效地检测ARMAX模型中孤立的附加型异常点及异常点斑片.实际的和模拟的结果也显示这些方法可以明显减少掩盖和淹没现象的发生,这是对已有工作的推广和扩充.     

求解非线性互补问题的内点正算法

针对非线性互补问题,提出了与其等价的非光滑方程的内点正算法,并在一定条件下证明了该算法的收敛性定理。数值结果表明,该算法是十分有效的。     

大数据下基于体积抽样的异常点诊断及估计问题

处理大规模数据集时,抽样是一种很受欢迎的有效方法。体积抽样作为一种联合抽样的方法,它是按照与矩阵平方的行列式成比例进行抽样。该方法在线性回归模型背景下能得到参数的无偏估计。然而也容易受到异常点的影响,本文感兴趣的是体积抽样受异常点影响的程度。基于数据删除模型和均值漂移模型构建统计量进行异常点诊断,结果发现体积抽样方法在某些情况下极易受异常点影响。但是在给定损失的条件下,比独立同分布抽样所需的子样本量更小,在此基础上,提出样本量的自适应选择方法。作为体积抽样的扩展,杠杆值体积抽样同样可以得到普通最小二乘线性模型参数的无偏估计,一个有趣的发现是使用杠杆值体积抽样,等权最小二乘估计结果比非等权最小二乘估计效果好。     

带超级光滑噪声密度函数的小波自适应点态估计

利用小波方法在局部Holder空间中研究一类反卷积密度函数的点态估计问题.首先,针对超级光滑噪声给出该模型任一估计器的点态风险下界;其次,构造有限求和小波估计器,并证明其在超级光滑噪声条件下达到了最优收敛阶,即该估计器在点态风险下的收敛速度与下界一致.最后,还讨论了这类小波估计器的强收敛性.值得指出的是上述估计都是自适应的.     

图映射的非游荡点和深度

设 $G$ 是一个图, $f:G\rightarrow G$ 是连续映射. 用$R(f)$和$\Omega (f)$分别表示$f$的回归点集和非游荡集. 设$\Omega_0 (f)=G$, $\Omega_n (f)=\Omega (f|_{\Omega_{n-1} (f)})$(对任$n\in {\N}$). 满足$\Omega_{m} (f)=\Omega_{m+1} (f)$的最小的$m\in {\N}\cup \{\infty\}$称为$f$的深度. 证明了$\Omega_2(f)=\overline{R(f)}$且 $f$的深度不超过2. 进一步, 还得到$f$的非游荡点的若干性质.     

大型仪器利用情况调查数据异常值检测的数学方法比较

高质量的决策越来越依赖于高质量的数据挖掘及其分析,高质量的数据挖掘离不开高质量的数据.在大型仪器利用情况调查中,由于主客观因素,总是致使有些数据出现异常,影响数据的质量.这就需要通过适用的方法对异常数据进行检测处理.不同类型数据往往需要不同的异常值检测方法.分析了大型仪器利用情况调查数据的总体特点、一般方法,并以国家科技部平台中心主持的"我国大型仪器资源现状调查"(2009)中大型仪器使用机时和共享机时数据为主线,比较研究了回归方法、基于深度的方法和箱线图方法等对不同类型数据异常值检测的适用性.选取不同角度,检验并采用不同的适用方法,找出相关的可疑异常值,有助于下一步有效开展大型仪器利用情况异常数据的分析处理,提高数据质量,为大型仪器利用情况综合评价奠定基础,也为科技资源调查数据预处理中异常值检测方法提供有益借鉴.     

基于动态神经网络的非线性系统鲁棒故障检测

针对一类具有不确定性扰动的非线性系统,将设计的系统线性观测器产生的误差信号作为残差,采用一种具有高斯型激励函数的动态神经网络(DNN)对残差信号进行分析处理,得到了系统的鲁棒故障检测方法.文中分析了该方法的稳定性和故障检测的鲁棒性,并通过算例验证了该方法的有效性.     

Outlier detection in two-stage semiparametric DEA models

In the use of peer group data to assess individual, typical or best practice performance, the effective detection of outliers is critical for achieving useful results, particularly for two-stage analyses. In the DEA-related literature, prior work on this issue has focused on the efficient frontier as a basis for detecting outliers. An iterative approach for dealing with the potential for one outlier to mask the presence of another has been proposed but not demonstrated. This paper proposes using both the efficient frontier and the inefficient frontier to identify outliers and thereby improve the accuracy of second stage results in two-stage nonparametric analysis. The iterative outlier detection approach is implemented in a leave-one-out method using both the efficient frontier and the inefficient frontier and demonstrated in a two-stage semi-parametric bootstrapping analysis of a classic data set. The results show that the conclusions drawn can be different when outlier identification includes consideration of the inefficient frontier.     

稳健稀疏主成分分析法及其实证研究

主成分分析是多元统计分析中一种非常经典的降维技术。然而,经典主成分分析却是对离群值非常敏感的,常因离群值的存在导致结果与实际不相符。另一方面,当主成分分析用于综合评价时,主成分的含义常因载荷间绝对值大小不分明而含糊不清,从而导致综合评价难以展开。本文通过使用稳健稀疏主成分分析法进行模拟实验和实证分析,结果表明:该方法不仅能很好地抵抗离群值的影响,而且还能准确地识别出离群样本。通过该方法得出的主成分的含义也较经典主成分分析和稳健主成分分析更加地明确和贴近实际。     

A Central Limit Theorem for the Generalized Quadratic Variation of the Step Fractional Brownian Motion

This paper gives a central limit theorem for the generalized quadratic variation of the step fractional Brownian motion. We first recall the definition of this process and the statistical results on the estimation of its parameters.     

Nonlinear wavelet methods for high-dimensional backward heat equation

The backward heat equation is a typical ill-posed problem. In this paper, we shall apply a dual least squares method connecting Shannon wavelet to the following equation ut (x, y, t) = u xx (x, y, t) + uyy (x, y, t), x ∈ R, y ∈ R, 0 ≤ t 1, u(x, y, 1) = (x, y), x ∈ R, y ∈ R. Motivated by Regińska's work, we shall give two nonlinear approximate methods to regularize the approximate solutions for high-dimensional backward heat equation, and prove that our methods are convergent.     

基于敏感性的结构损伤识别中的噪声分析

针对基于振动测试的结构损伤识别方法很容易受到环境噪声干扰的问题,提出了一种新的噪声分析方法,并结合Monte Carlo 数值模拟技术研究了测量噪声对基于敏感性的损伤识别方法的影响．与普遍采用的摄动法不同,提出的方法直接由敏感性矩阵的Moore-Penrose广义逆推导得出．该方法不仅使得噪声分析过程更简洁而有效,并且能同时分析频率和振型噪声对于识别结果的影响．针对3种常用的基于敏感性的损伤识别方法,通过一个单层门式框架的仿真研究,表明了所提出的噪声分析方法的正确性和有效性．     

Adaptive Wavelet Methods for Elliptic Operator Equations with Nonlinear Terms

We present an adaptive wavelet method for the numerical solution of elliptic operator equations with nonlinear terms. This method is developed based on tree approximations for the solution of the equations and adaptive fast reconstruction of nonlinear functionals of wavelet expansions. We introduce a constructive greedy scheme for the construction of such tree approximations. Adaptive strategies of both continuous and discrete versions are proposed. We prove that these adaptive methods generate approximate solutions with optimal order in both of convergence and computational complexity when the solutions have certain degree of Besov regularity.