排序方式: 共有2条查询结果,搜索用时 62 毫秒
1
1.
采用随机抽样方法从目标总体中抽取一个随机样本作为辅助样本,利用目标总体已知的辅助信息,基于倾向值匹配方法对来自目标总体的非随机样本与辅助样本进行匹配,生成一个来自非随机样本的匹配样本,并对匹配样本随机性进行了理论论证和数值模拟验证,研究结果显示,该匹配样本与辅助样本具有相同随机性,说明利用倾向值匹配方法可以对非随机样本进行不完全随机化. 相似文献
2.
高维大数据矩阵分析中,使用少量主要成分逼近原始数据矩阵是常用方法,这些主要成分是矩阵行和列的线性组合,不易对数据的原始特征进行解释。本文提出将不等概抽样与自适应抽样结合的适用于CUR矩阵分解的抽样方法,并将该抽样方法与矩阵随机奇异值分解(SVD)方法相结合,对抽样得到的列矩阵C和行矩阵R进行随机SVD分解,在控制计算复杂度的同时提高低秩逼近重构矩阵的精度。研究结果表明,在矩阵低秩逼近中,基于不等概自适应抽样和随机SVD分解相结合的CUR矩阵分解方法具有较高的精确度和稳定性。 相似文献
1