形变与3+1维可积模型

利用Miura变换给出一适当的形变关系 ,用它对 2 + 1维线性热传导方程进行 3+ 1维形变 .并用标准的奇性分析方法证明了由形变得到的 3+ 1维非线性模型是Painlev啨可积的     

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。     

投影寻踪动态聚类模型在房地产投资环境评价中的应用

将投影寻踪动态聚类模型引入到房地产投资环境评价方法中.针对房地产投资环境评价所面临的多因素高维复杂性问题,该模型能够完全根据样本数据特性将高维数据通过投影向量投影到低维数据,同时实现对低维数据的排序和自动聚类分析,进而通过研究低维数据以实现对高维数据的研究.最后通过辽宁省工业地产投资环境评价实例验证了该模型在房地产投资环境评价中的适用性.     

基于多维面板数据的聚类方法探析及实证研究

面板数据由于能够从截面和时间构成的二维空间来描述研究对象的动态特征而被广泛应用于经济问题的建模实践中。本文借鉴多元统计学中主成分分析方法对面板数据进行降维处理,然后通过构建综合评价函数序列矩阵的相似指标对面板数据进行聚类分析,并提出一些研究面板数据亲疏关系的有效途径,最后运用该算法对我国地区科技能力进行实证分析,结果与实际状况较为吻合.     

高维平滑转换因子模型的一致估计

本文设定高维因子模型的因子载荷服从平滑区制转换结构,模型参数的一致估计可通过两阶段估计方法给出。在第一阶段,通过主成分方法估计因子变量;在第二阶段,估计的因子变量视为已知变量,通过非线性最小二乘法估计因子载荷和平滑转换参数。理论研究和随机模拟表明本文提出的两阶段估计方法具有良好的大样本性质和有限样本表现。在实证部分,基于高维平滑转换因子模型研究了美国股票收益率数据的共变特征和非对称效应,结果表明平滑转换因子模型可以较好地刻画美国股票收益率的共变特征和区制转换行为。     

带有不可忽略缺失数据的半参数再生散度模型的贝叶斯分析

半参数再生散度模型是再生散度模型和半参数回归模型的推广,包括了半参数广义线性模型和广义部分线性模型等特殊类型.讨论的是该模型在响应变量和协变量均存在非随机缺失数据情形下参数的Bayes估计和基于Bayes因子的模型选择问题.在分析中,采用了惩罚样条来估计模型中的非参数成分,并建立了Bayes层次模型;为了解决Gibbs抽样过程中因参数高度相关带来的混合性差以及因维数增加导致出现不稳定性的问题,引入了潜变量做为添加数据并应用了压缩Gibbs抽样方法,改进了收敛性;同时,为了避免计算多重积分,利用了M-H算法估计边缘密度函数后计算Bayes因子,为模型的选择比较提供了一种准则.最后,通过模拟和实例验证了所给方法的有效性.     

带有不可忽略缺失数据的广义部分线性模型的贝叶斯分析

广义部分线性模型是广义线性模型和部分线性模型的推广,是一种应用广泛的半参数模型.本文讨论的是该模型在线性协变量和响应变量均存在非随机缺失数据情形下参数的Bayes估计和基于Bayes因子的模型选择问题,在分析过程中,采用了惩罚样条来估计模型中的非参数成分,并建立了Bayes层次模型;为了解决Gibbs抽样过程中因参数高度相关带来的混合性差以及因维数增加导致出现不稳定性的问题,引入了潜变量做为添加数据并应用了压缩Gibbs抽样方法,改进了收敛性;同时,为了避免计算多重积分,利用了M-H算法估计边缘密度函数后计算Bayes因子,为模型的选择比较提供了一种准则.最后,通过模拟和实例验证了所给方法的有效性.     

齐次线性约束回归模型参数的主成分压缩估计

当设计矩阵X复共线时,对齐次线性约束回归模型参数的约束最小二乘估计进行改进,提出参数的主成分压缩估计,并对新参数估计的性质进行了讨论,最后进行了数值模拟,验证了算法的参数估计优于约束最小二乘估计.     

广义压缩最小二乘估计

本文引进了线性模型中回归系数的一个估计类。许多常用的估计,例如岭回归估计、主成分估计、压缩最小二乘估计以及迭代估计都属于这个估计类。本文讨论该估计类中估计的容许性问题以及矩阵均方误差准则下估计的比较问题。     

基于有向加权网络的价格传导时滞模型

传统的投入产出价格模型利用矩阵描述并分析价格传导过程.因矩阵表述方式属二维模型,故而无法反映价格随时间变化的动态关系.利用有向加权网络描述各产业部门及部门间的价格传导关系,并将时间维度引入构建了价格传导网络模型,考察价格传导时滞的影响.与现有投入产出价格模型相比,模型具有以下三个优势:一是可计算任意时刻的价格传导波动,而传统投入产出价格模型只是该模型在价格传导时间趋向无穷时的特例;二是模型考虑了各部门不同的价格传导时滞的影响,对价格传导过程描述更加精确;三是该模型不受二维矩阵算法的限制,计算复杂度低,易于仿真模拟.     

二维圆盘传递装置药物非线性扩散的优化控制模型及算法

本文首先给出了二维圆盘传递装置在极坐标下的药物非线性扩散最优控制模型.然后,用基于迭代法的最小二乘方法求解模型的非线性扩散方程,并估计相应的扩散系数.最后,通过一个数值算例,验证该控制模型和算法在二维圆盘传递装置中是有效的.     

高维因子模型及其在统计机器学习中的应用

本文综述近年来因子模型研究的最新进展及其在统计机器学习中的应用.因子模型通过较少的因子实现降维,并为协方差矩阵提供了一种低秩加稀疏的结构,不仅受到高维数据分析领域的关注,也被广泛应用于计量经济学、数量金融学、基因组学、神经科学和图像处理等许多科学、工程及人文社科领域的研究中.本文系统阐述利用主成分分析方法提取潜在因子、估计因子载荷、异质结构与整体协方差矩阵的统计推断方法,这套方法被证明可以有效应对当前大数据所表现出的高维性、强相关性、厚尾性和异质性等重大挑战;另外,还重点介绍了高维因子模型在处理协方差矩阵估计、模型选择和多重检验等高维统计学习问题中的作用;最后,通过几个应用实例说明因子模型与现代机器学习问题之间的密切联系,其中包括当下流行的网络分析和低秩矩阵还原等.     

基于AIC准则的函数型数据主成分联合选择研究

函数型主成分分析(Functional Principal Component Analysis,FPCA)是对函数型数据进行降维的常用技术,本文将考虑函数型数据的主成分联合选择问题。首先,本文给出了两函数型变量的主成分联合模型,并通过基函数展开法和极大惩罚似然法对样本数据进行曲线平滑。在联合模型基础上,本文给出了确定函数型主成分个数的AIC准则,并提出了改进的ECME算法对模型参数进行估计。模拟显示AIC准则对应的主成分个数选择结果准确率更高,考虑两函数型数据之间相关信息的联合选择效果会比对各函数型数据主成分进行独立选择的结果有所提升。最后,本文将所提方法应用于老年人中医宗气数据的分析。     

基于压缩主成分估计的预测优良性的一个充要条件

本文在均方误差矩阵判别准则和风险函数的差别准则下,对广义线性模型的最优预测与经典预测的优良性进行比较分析,获得了比较基于压缩主成分估计的两类预测优良性的充要条件,并运用统计模拟对该充要条件进行了实证分析.     

可加风险模型下现状数据的降维问题

文章基于可加风险模型假设,采用偏最小二乘回归和有监督的主成分回归两种投影降维方法,研究了高维协变量情况下现状数据的降维问题。通过深入地模拟试验,对比两种降维方法在高维相关现状数据的生存预测方面的表现,最后将两种降维方法结合实际数据集进行实证分析。模拟和实证结果表明这两种降维方法能很好地处理具有高维、强相关协变量的小样本数据集,比如基因微阵列数据。在后续的研究中,有望将现状数据扩展至其它更一般的区间删失数据。     

形变Boussinesq方程的对称群及其行波解

讨论具有方程组形式的形变Boussinesq方程的对称群及其行波解.通过研究方程组所允许的Lie对称群得到该方程组的解有行波解,并将方程组约化为非线性的常微分方程组,再利用广义-Tanh方法,得到形变Boussinesq方程的行波解.     

一种函数型数据的聚类分析方法

分析了函数型数据主成分分析的原理。在此基础上,提出了一种函数型数据的聚类分析方法,以及在低维空间对原始高维数据进行直观表达的方法。给出了函数型数据的距离定义,并分析了这种距离的定义与欧氏距离的关系。提出函数型数据聚类分析的新方法:1)通过变换把离散数据转化为函数数据;2)进行函数型主成分分析;3)利用提取的前几个主成分构成低维空间,在该低维空间中,采用普通的聚类方法进行聚类分析。采用人体肢体多普勒超声血管造影的数据对所提出的方法的合理性进行验证。结果表明该方法可以有效地对函数型数据进行分类,分类结果与专家临床结论相符,因而有助于临床上对样本做客观判断。该方法不依赖专家的经验判断,且计算过程简便,易于计算机实现及临床应用。     

二维正态分布的假设检验

将二维随机向量分解成互不相关的主成分,通过对两主成分的正态独立性检验达到二维随机向量正态性检验的目的.     

基于方根分解形式的带衰减因子UKF算法应用

UKF作为一种新的非线性滤波方法已在目标跟踪问题中得到应用,在状态的时间更新阶段直接使用非线性模型,不引入线性化误差,而且不必计算Jacobians矩阵.提出了一种基于方根分解形式的带有衰减因子的UKF算法(SRDMA-UKF),算法的方根形式增加了数字稳定性和状态协方差的半正定性.通过衰减因子的引入加强对当前测量数据的利用,减小历史数据对滤波的影响.仿真实验结果表明,该算法与UKF算法相比具有更好的滤波性能.     

多元统计分析(Ⅳ)

§4多元数据结构的简化 ──主成分分析和非线性映射 4.1主成分分析方法 多元数据分析上的困难往往是由于数据维数过高.如果有某种方法能把高维空间的数据投影到低维空间,而且这种投影变换又不会使信息损失很多的话,那么就有可能在低维空间上研究这些数据结构了. 例如,三维空间