遗传算法的收敛速度估计

Under some conditions, the convergence of the genetic algorithms is investigated, corresponding convergence rates are estimated, and some related verifications are given in this paper.     

密度核估计的一致收敛速度

以C_(kα)记R~m中一概率密度族,其任意k阶混合偏导数绝对值都不超过α。Farrell在[5]中证明:为估计f(0)(f∈C_(kα)),任何估计量的收敛速度不会超过O(n~(-k/(2k m))),且对适当选择的核估计这个速度可以达到。在本文中,我们证明了对适当选择的核估计f_n,收敛于零的速度可达到。因此,对收敛的阶的主要部分而言,本文的结果已无可改善,这个结果显著改进了文献中的已有结果。     

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。     

密度核估计的一致收敛速度

Suppose that X₁,…,X_n are samples drawn from a in-dimensional population with probability density function f belonging to a family C_kα(where k is a given positive integer, and α is a given positive number) defined as follows: f∈C_kα if and only if.     

分段线性插值收敛速度的一种估计

给出了分段线性插值收敛速度的一种估计.     

部分线性模型中估计的收敛速度

考虑回归模型（Ⅰ）：其中（ｘ＿ｉ，ｔ＿ｉ）是固定非随机设计点列，ｘ＿ｉ＝（ｘ＿（ｉｌ），…，ｘ＿（ｉｐ））＇β＝（β＿１，…，β＿ｐ）＇（ｐ＞１），ｇ是定义在［０，１］上的未知函数，β是未知待估参数，０＜ｔ＿ｉ＜１，ｅ＿ｉ是ｉ．ｉ．ｄ．随机误差，且Ｅｅ＿ｉ＝０，Ｅｅ＝σ￣２＜∞。基于ｇ的估计取一类非参数权估计（包括常见的核估计和近邻估计），我们讨论了β的最小二乘估计及ｇ的估计的最优强弱收敛速度。     

一类混合回归模型中估计的收敛速度

考虑回归模型 y_i=x_iβ+g(t_i)+e_i,i=1,2,…n,其中g(·)是未知光滑函数,β是未知待估参数,e_i是随机误差。 设{(x_i,t_i,y_i,),1≤i≤n}是i.i.d.子样。本文首先给出了g(·)的一类近邻估计■_n(·),然后基于模型y_i=x_iβ+■_n(t_i),+e_i得到了β的最小二乘估计■_n。在适当条件下,证得了■_n及g(·)的最终估计■_n~■(·)的强弱收敛速度。     

非参数回归函数核估计的收敛速度

<正> §1.引言及记号设(Y,X),(Y_1,X_1),…,(Y_n,X_n)为 iid.(1+d)维随机向量,E(|Y|)<∞,m(x)=E(Y|X=x)为回归函数.Watson,Nadaraya 首先提出的基于样本(Y_1,X_1),…,(Y_n,X_n)的 m(x)的核估计为     

球极投影变换核估计及其逐点收敛速度

本文提出了利用一维核函数构造多维密度函数一个新估计的方法.首先利用球极投影变换将具有密度f(x),x∈Rd的样本变换为具有密度g(y),y∈Ωd+1={yy∈Rd+1,‖y‖=1}的样本.其次,建立f与g的关系.最后,利用球面数据密度核估计构造f的一个新估计fn.在核K及密度f(x)满足一定条件(见§1定理1.1)下,获得了(f∧)n到f的逐点强收敛速度.     

一类混合回归模型中估计的收敛速度

考虑回归模型y_i=x_iβ+g(t_i)+e_4,i=1,2,…,n,其中 g(·)是未知光滑函数,β是未知待估参数,e_4是随机误差.设{(x_4,t_4,y_4),1≤i≤n}是 i.i.d.子样.本文首先给出了 g(·)的一类近邻估计n(·),然后基于模型 y_4=x_4β+(t_4)+e_4得到了β的最小二乘估计.在适当条件下,证得了及 g(·)的最终估计(·)的强弱收敛速度.     

NA样本下回归函数估计的收敛速度

在误差为NA序列的条件下,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.     

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。     

球极投影变换核估计及其逐点收敛速度

本文提出了利用一维核函数构造多维密度函数一个新估计的方法.首先利用球极投影变换将具有密度f(x),X∈Rd的样本变换为具有密度g(y),y∈Ωd 1={y:y∈Rd 1,‖y‖=1)的样本.其次,建立f与g的关系.最后,利用球面数据密度核估计构造f的一个新估计f^n.在核K及密度f(x)满足一定条件(见§1定理1.1)下,获得了f^n到,的逐点强收敛速度.     

线性模型中误差方差估计的收敛速度

在通常的线性模型y_i=x′_iβ+e_i(i=1,…,n,…)中,设σ~2=Var(e_i),由前n次观测值y_1,…,y_n,可得基于残差平方和的σ~2的估计(?)_n~2,本文证明了:若随机误差序列独立同分布,则对某个t≥1,E|e_1~2|~t<∞的充要条件为,对任给的ε>0,这样,对于(?)_n~2-σ~2的收敛速度,得到与同分布独立和情形同样优良的结果。     

回归分析中自协方差估计的收敛速度

在时间序列分析中,经常要考虑带有回归项的混合模型,其一般表达式如下:y_t=β_1x_(t1)+β_2x_(t2)+…+β_px_(tp)+u(t),(1.1)式中 u(t)为线性过程,即     

失效率的非参数核估计及其收敛速度

本文讨论失效率的一类非参数核估计并在一定条件下给出了估计的一致强收敛速度。一批产品的寿命服从假定: 在年龄t时存活(未失效)的一个个体将死于(失效在)区间(t,t+△t)(△t≥0)的概率为λ(t)·△t+o(△t),把λ(t)称为失效率。并且假定个体在时刻t=0时未失效。把个体在时刻t或t以前失效的概率记为F(t)=P{T≤t},记f(t)=F＇(t),则由文知     

回归分析中最小二乘估计的收敛速度

在回归分析中,最小二乘法是获得参数估计手的最常用的方法。近年来,有不少文章研究这类估计几乎处处收敛的速度问题,Lai等人考虑了残量为收敛系的情况;陈希孺讨论了残量为无关序列及残量为独立序列但二阶矩无穷的情况;尔后,陈桂景等人总结了这些结果,得到了一个十分广泛的定理,该文中推论5还提到了残量为线性过程时的     

单纯形上Durrmeyer多项式对连续函数收敛速度的估计

以Ｋ－泛函、光滑模为工具，利用函数分解等方法，研究单纯形上多元Ｄｕｒｒｍｅｙｅｒ多项式逼近连续函数的速度问题，估计了收敛速度，从而完善了Ｂｅｒｅｎｓ，Ｈ　等人的工作．     

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。     

平稳正态序列谱函数估计的收敛速度

本文主要讨论实平稳正态序列谱函数估计的a.s.(一致)收敛速度。首先,对实平稳正态序列的观察值的二次型建立指数不等式和概率1的界;在此基础上,得到了协方差函数和谱函数估计的收敛速度及一致收敛速度。