导读:本文包含了非参数回归论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:参数,方差,区间,模型,信号源,不等式,近邻。
非参数回归论文文献综述
郑研[1]（2019）在《基于局部多项式非参数回归的风电场功率区间预测方法》一文中研究指出准确地预测风电场功率有利于减小风电出力波动对电网运行的影响,同时可以为后期的风能消纳问题提供准确信息,然而传统预测方法多为确定性预测,且结果大多有不同程度的误差。本文提出了一种基于误差分布特性统计分析的非参数置信区间估计方法,首先采用LS-SVM算法,建立风速与风电功率之间的转换模型,得到风电功率确定性预测值,在确定性预测基础上得到误差集合,通过对风电功率预测误差分布特性的研究,采用局部多项式回归方法得到给定置信度对应的误差预测值,通过风电功率确定性预测值和误差预测值迭加得到对应的区间上、下限,继而得出满足一定置信水平的风电功率区间预测。仿真结果表明所提出的区间预测在一定置信水平下有较高的预测精度,同时得到的较窄的预测区间,验证了该方法的实用性与有效性。(本文来源于《科学技术创新》期刊2019年19期）
武新乾,程芳,徐珍[2]（2019）在《相依误差下异方差非参数回归模型的样条估计》一文中研究指出一些经济金融等实际数据中含有非线性趋势、异方差和相依关系,固定设计和相依误差下的异方差非参数回归模型因其能够反映这些数据特征而有着重要的应用.样条方法是常用的非参数光滑方法之一.为了探究样条方法在这类模型中的可用性,本文在α-混合条件下,讨论了均值函数和方差函数的多项式样条估计的逐点相合性,得到了逐点收敛速度.此外,还对所讨论的方法进行了数值模拟,结果表明样条方法在这类模型的应用中是可行的.(本文来源于《工程数学学报》期刊2019年03期）
熊宁[3]（2019）在《基于非参数核回归预测的无线信号源定位技术研究》一文中研究指出在一个已知范围内定位无线信号源,现有的定位技术与相关研究主要集中在定位接收终端。对于无线信号源的定位,现有的技术与相关研究较少且存在较多局限性:TDOA(到达时间差的估计方法)、TOA(到达时间的估计方法)在时间同步上要求相当严格;DOA/AOA(波达角估计方法)在设备要求上较高;SSR(信号强度测距估计方法)抗干扰能力不强。鉴于当下伪基站、黑广播等问题的泛滥,本文在研究了信号源以及信号传播特性相关内容后,利用K最近邻分类算法改进了一个现有的场强预测算法。并且本文在此之上进一步研究实现了一种基于预测模型的无线信号源定位算法,该算法不需要时间上的同步,对测试设备的要求较低,具有一定的抗干扰能力。在实现算法后,本文完成了基于预测模型的无线信号源定位系统的设计、开发与测试。论文主要工作和创新如下:(1)本文深入研究了前人对电磁辐射预测和无线通信场强预测的算法,对现有的场强预测算法提出了改进。改进之处主要是在前人的基础上缩小预测误差,从而大幅度提高预测精度。实验结果表明,所有参与测试的通信制式的预测准确率都达到了80%以上,大多数制式的预测准确率还高达90%以上,误差范围仅仅在±2dB内。(2)在(1)的基础之上,本文研究了无线信号传播特征。基于(1)的预测结果,我们提出了一种定位无线信号源的方法。该方法利用缩圈法逐渐缩小信号源可能存在的范围,缩圈动作在达到预定的精度要求后停止并给出最终结果。经过多次测试,该算法均准确找到了无线信号源的位置,且最终定位区域面积不大于原始场景面积的1%。(3)在(1)、(2)中算法的基础上,以应用算法为目的,本文提出了系统设计需求。根据设计需求设计了系统模型,确定了模块与模块之间的关系。算法应用是运行于Windows7 64bit操作系统,以Microsoft Visual Studio 2015作为开发工具、Qt5库作为界面框架、C++作为编写语言开发出无线信号源定位系统。该系统提供加载场景、参数设置、预测、信号源定位等功能,方便实验和验证(1)、(2)中的算法。(4)由(1)、(2)的算法与(3)中实现的无线信号源定位系统作为软件手段,对算法精度、运算性能、预测、定位效果做了测试,并分析了测试结果。多次实验证明,本文改进得到的K-近邻非参数核回归算法提高了预测的同时降低了误差范围,在无线通信场强预测方面做出了贡献。本文提出的无线信号源定位方法经过试验验证,为无线信号源定位方面提供了一种新思路。(本文来源于《桂林电子科技大学》期刊2019-06-01）
曾春[4]（2019）在《几种误差下非参数回归模型的预测方法研究》一文中研究指出在时间序列数据分析中,由于许多实际数据表现出的是未知的或很难确定的非线性趋势结构,甚至误差结构也相当复杂,异方差和相依关系并存,这使得传统的时间序列分析方法面临挑战。本文以几种复杂误差下的非参数回归模型的预测方法为切入点展开讨论。文中考虑四种误差情形下的非参数回归模型:同方差下的MA模型和ARMA模型;异方差下的MA模型和ARMA模型。基于多项式样条方法,按照均方误差(MSE)和平均绝对误差(MAE)最小原则,通过Monte Carlo模拟和实证分析比较非外推法、线性外推法和非线性外推法这叁种预测方法的适应性,从而得到较好的预测方法。具体内容和主要成果如下:(1)对于同方差的MA模型。模拟算例表明,按照MSE和MAE最小准则来看,外推法在拟合方面整体上优于非外推法,叁种方法预测的优劣次序为:线性外推法、非线性外推法、非外推法。通过对分行业增加值构成-金融业增加值的实证分析,得到了与模拟算例相似的结果。(2)对于同方差的ARMA模型。模拟算例表明,按照MSE和MAE最小准则来看,外推法在拟合方面没有明显优势,但叁种方法预测的优劣次序为:线性外推法、非线性外推法、非外推法。通过对人均国内生产总值指数的实证分析,得到了与模拟算例相似的结果。(3)对于异方差的MA模型。模拟算例表明,按照MSE和MAE最小准则来看,外推法在拟合方面整体上优于非外推法,叁种方法预测的优劣次序为:线性外推法、非线性外推法、非外推法。通过对重庆市地区人均生产总值指数的实证分析,结果表明,外推法在拟合方面没有明显优势;但在预测方面,得到了与模拟算例相似的结果。(4)对于异方差的ARMA模型。模拟算例表明,按照MSE和MAE最小准则来看,外推法在拟合方面没有明显优势,但叁种方法预测的优劣次序为:线性外推法、非线性外推法、非外推法。通过对国内生产总值指数的实证分析,得到了与模拟算例相似的结果。综上可知,线性外推法的预测效果较好,推荐使用该方法进行模型预测。(本文来源于《河南科技大学》期刊2019-05-01）
雷庆祝,秦永松[5]（2019）在《强混合样本下非参数回归函数的经验似然推断》一文中研究指出在回归变量和响应变量的观察值为强混合随机变量序列时,本文利用分组经验似然方法构造了非参数回归函数的经验似然置信区间,同时通过模拟研究了本文提出的方法的优良性.(本文来源于《应用数学学报》期刊2019年02期）
周迎超[6]（2019）在《非参数回归方法与贝叶斯网络的研究及应用》一文中研究指出随着社会的发展,在经济、社会科学、交通等领域出现了一些新的问题,这些问题往往具有高度的非线性、不确定性等特征,非参数回归方法刚好可以较好的描述问题的非线性特征,因此受到研究者的关注.贝叶斯网络作为目前不确定知识表示和推理领域中最有效的理论模型之一,近些年常被用于数据挖掘、故障分析等领域.本文研究了非参数回归和贝叶斯网络的相关理论,针对其在应用上的局限性做出了相应的改进,并分别将其应用于对轨道交通短时客流的预测和大客流发生原因的诊断.主要内容如下:1.探讨了非参数回归的概念和原理,介绍了四类非参数回归方法,选取其中的非参数局部回归作为重点研究对象,并分别对非参数局部回归的四种方法进行了详细的介绍和对比.随后,选取K近邻非参数回归作为研究目标,详细分析了K近邻回归的组成部分和影响因素,并针对其无反馈的问题,提出了基于误差反馈的非参数回归方法.2.介绍了贝叶斯网络相关基础理论知识及其表示和构成,针对贝叶斯网络节点事件的先验概率或条件概率不确定,以及使用专家知识会导致主观性误差这两个问题,引入模糊集理论量化节点的概率,在确定节点概率的同时,尽可能的降低主观性误差.最后,给出了基于模糊集理论的贝叶斯网络的一般应用步骤.3.将非参数回归方法应用到轨道交通客流预测领域.详细的分析了轨道交通的客流统计特征,在此基础上为了保证匹配到的数据具有实际意义,构建了分类样本数据库,以上海地铁1号线2015年4月1日至4月30日的进出站客流数据为例,使用非参数回归方法进行短时客流预测,并与其他预测方法进行对比.4.分析轨道交通大客流产生的原因,以上海地铁1号线2014年至2016年近3年里大客流发生的相关数据为例,构建轨道交通大客流发生原因的贝叶斯网络.利用模糊集理论量化贝叶斯网络部分节点事件的条件概率,运用构建的贝叶斯网络推断大客流发生的概率,并在大客流发生后,诊断引发大客流的主要原因.(本文来源于《长春理工大学》期刊2019-03-01）
宁明明[7]（2019）在《WNOD变量加权和的完全收敛性及其在非参数回归模型中的应用》一文中研究指出概率极限主要是研究各类变量的收敛性,收敛速度及其在实际中的应用.虽然概率极限理论体系已经相对比较成熟,但是在实际生活中可被运用的结论还是很少.在金融保险,物流,医学等行业中,取得的样本数据并不刚好是独立的,故在独立变量下成立的结果已经不能满足现实的需要,因此之后专家和学者们把更多的精力投入到对相依变量的性质研究中.本文主要讨论的是宽负象限相依(WNOD)变量,它包含一些相依变量和独立变量,是十分宽泛的一类变量.第一,二章是本文的准备工作.首先介绍了概率极限研究的背景以及一些相关的定义,其次为了证明的需要给出了一些不等式和引理,基于在概率极限中最重要的两类矩不等式Marcinkiewicz-Zygmund型和Rosenthal型,获得了WNOD变量的加权和的最大值矩不等式.文中还有部分引理是作者自己提出的,也给出了相应的证明过程.第叁章首先推广了Shen A.T.[1]的定理,建立了在WNOD变量下加权和的完全收敛性.其次,推广并改进了Wang X.J.等[2],Shen A.T.[3],Chen P.Y.[4]提出的定理,将同分布的NA,END变量推广到了WNOD变量中,权系数{ani,1≤i≤n,n≥1}的约束进行了减弱,结果进行了加强,利用随机变量截尾技术建立了WNOD变量的加权和的最大值序列的完全收敛性.第四章主要讨论WNOD随机变量在非参数回归模型中的应用,考虑非参数回归模型中估计量在WNOD变量误差下的完全相合性,获得了最近相邻估计的完全相合性.基于第叁章中得到的定理及其推论做了数值模拟,模拟的结果也论证了我们的结论.第五章是文章结束语,总结了文章的创新点和不足点.(本文来源于《安徽大学》期刊2019-03-01）
李春雨[8]（2019）在《α-混合误差下非参数回归函数加权核估计的相合性》一文中研究指出在α-混合误差下讨论Priestly和Chao提出的一类非参数回归函数加权核估计的相合性.对文献[1]中,{ε_i}为强混合误差序列的情形,添加了不同的条件及计算得到g_n{x}→g(x),a,s的结论.(本文来源于《广西民族大学学报(自然科学版)》期刊2019年01期）
殷亚琪[9]（2019）在《两种局部权重调节的非参数回归模型》一文中研究指出传统的惩罚样条回归模型以B样条为基函数来拟合回归函数,以样条系数的二阶差分作为惩罚来保持估计的拟合优度和粗糙度之间的平衡.支持向量分位数回归模型以核函数为工具,将输入空间映射到更高维度的特征空间,并以检测函数为损失函数,以估计量的范数为惩罚项来得到模型最优解.但是,在这两种模型的惩罚项构造中,惩罚权重在解释变量的各个位置往往是相等的,因此这样的模型在数据具有异质性变化特征时效果欠佳.本文分别构造了基于局部权重调节的惩罚项,并将其应用于这两种模型,从而提升模型的自适应性.首先根据惩罚样条回归模型惩罚项的设置特点,借助adaptive lasso思想,构造了基于样条系数预估计值的单调减函数权重.其次在支持向量分位数回归模型中,我们使用响应变量观测值局部方差的单减函数来调节局部权重,从而使拟合曲线能自适应的匹配数据的局部变化特征.模拟和实际应用的结果显示新模型有更低的均方误差和平均绝对误差.(本文来源于《安徽大学》期刊2019-02-01）
华祖林,韩爱秋[10]（2019）在《基于非参数回归改进的太湖总磷压力-响应模型》一文中研究指出针对现有压力-响应模型存在的不足,以非参数LOWESS稳健回归改进湖泊压力-响应模型,构建了太湖TP与Chl-a的非参数LOWESS稳健回归压力-响应模型,推断出太湖TP参照状态质量浓度为0. 018 mg/L;通过自助法得出其95%置信区间为0. 013～0. 030 mg/L,同时从多角度验证了结果的合理性。(本文来源于《水资源保护》期刊2019年01期）
非参数回归论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
一些经济金融等实际数据中含有非线性趋势、异方差和相依关系,固定设计和相依误差下的异方差非参数回归模型因其能够反映这些数据特征而有着重要的应用.样条方法是常用的非参数光滑方法之一.为了探究样条方法在这类模型中的可用性,本文在α-混合条件下,讨论了均值函数和方差函数的多项式样条估计的逐点相合性,得到了逐点收敛速度.此外,还对所讨论的方法进行了数值模拟,结果表明样条方法在这类模型的应用中是可行的.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
非参数回归论文参考文献
[1].郑研.基于局部多项式非参数回归的风电场功率区间预测方法[J].科学技术创新.2019
[2].武新乾,程芳,徐珍.相依误差下异方差非参数回归模型的样条估计[J].工程数学学报.2019
[3].熊宁.基于非参数核回归预测的无线信号源定位技术研究[D].桂林电子科技大学.2019
[4].曾春.几种误差下非参数回归模型的预测方法研究[D].河南科技大学.2019
[5].雷庆祝,秦永松.强混合样本下非参数回归函数的经验似然推断[J].应用数学学报.2019
[6].周迎超.非参数回归方法与贝叶斯网络的研究及应用[D].长春理工大学.2019
[7].宁明明.WNOD变量加权和的完全收敛性及其在非参数回归模型中的应用[D].安徽大学.2019
[8].李春雨.α-混合误差下非参数回归函数加权核估计的相合性[J].广西民族大学学报(自然科学版).2019
[9].殷亚琪.两种局部权重调节的非参数回归模型[D].安徽大学.2019
[10].华祖林,韩爱秋.基于非参数回归改进的太湖总磷压力-响应模型[J].水资源保护.2019
论文知识图
