基于Levy過程函數(shù)的模型選擇.pdf 全文免費(fèi)在線閱讀
本文關(guān)鍵詞:基于Levy過程函數(shù)的模型選擇,,由筆耕文化傳播整理發(fā)布。
網(wǎng)友wz_198620近日為您收集整理了關(guān)于基于Levy過程函數(shù)的模型選擇的文檔,希望對(duì)您的工作和學(xué)習(xí)有所幫助。以下是文檔介紹:國(guó)內(nèi)圖書分類號(hào):0211.64國(guó)際圖書分類號(hào):519.2西南交通大學(xué)研究生學(xué)位論文基王L皇yY過程函數(shù)的模型選搔年姓專二零一五年五月一令一直牛血月密級(jí):公開萬(wàn)方數(shù)據(jù)ClassifiedIndex:0211.64U.D.C:519.2SouthwestJiaotongUniversityMasterDegreeThesisY2815999MODELSELECTIONBASEDONLEVYPROCESSFUNCTIONGrade:2012Candidate:FanZhimeiAcademicDegreeAppliedfor:MasterSpeciality:ProbabilityandStatisticsSupervisor:Prof.ZhaoLianwenMay.7,2015萬(wàn)方數(shù)據(jù)西南交通大學(xué)學(xué)位論文版權(quán)使用授權(quán)書本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定,同意學(xué)校保留并向國(guó)家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和電子版,允許論文被查閱和借閱。本人授權(quán)西南交通大學(xué)可以將本論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索,可以采用影印、縮印或掃描等復(fù)印手段保存和匯編本學(xué)位論文。本學(xué)位論文屬于1.保密口,在年解密后適用本授權(quán)書:2.不保密’吐使用本授權(quán)書。(請(qǐng)?jiān)谝陨戏娇騼?nèi)打“、/”)學(xué)位論文作者簽名:碘志才勾指導(dǎo)老師簽名:姒日期:刃Ij、弓、l≥日期:7--。6、多、弓萬(wàn)方數(shù)據(jù)西南交通大學(xué)碩士學(xué)位論文主要工作(貢獻(xiàn))聲明本人在學(xué)位論文中所做的主要工作或貢獻(xiàn)如下:第一:給出了Levy過程{x(砩腳模型選擇的方法。因Levy過程可分解為高斯過程和復(fù)合泊松過程。本文是在線性空間{甌,m∈Ml上用罰函數(shù)的方法分別確定高斯過程和復(fù)合泊松過程的模型來(lái)得到Levy過程的模型。第二:分析了通過罰函數(shù)的方法做高斯過程模型選擇的方法。總結(jié)了在罰函數(shù)滿足什么條件時(shí),存在滿足Oracle不等式的均值函數(shù)的懲罰投影估計(jì)值。第三:用罰函數(shù)的方法做復(fù)合泊松過程模型選擇的過程中,在EnriqueFigueroa-Lopez做Levy密度函數(shù)模型選擇的基礎(chǔ)上給出了新的罰函數(shù)Pen(m)滿足的條件,并且證明了在該罰函數(shù)條件下,存在滿足Oracle不等式的懲罰投影估計(jì)值。本人鄭重聲明:所呈交的學(xué)位論文,是在導(dǎo)師指導(dǎo)下獨(dú)立進(jìn)行研究工作所得的成果.除文中已經(jīng)注明引用的內(nèi)容外,本論文不包含任何其他個(gè)人或集體己經(jīng)發(fā)表或撰寫過的研究成果。對(duì)本文的研究做出貢獻(xiàn)的個(gè)人和集體,均己在文中作了明確說明。本人完全了解違反上述聲明所引起的一切法律責(zé)任將由本人承擔(dān)。學(xué)位論文作者簽名:塑終悉刃勾日期:zo匹、鄉(xiāng)、≥)萬(wàn)方數(shù)據(jù)西南交通大學(xué)碩士研究生學(xué)位論文第l頁(yè)摘要本文是用罰函數(shù)的方法,在r空間中對(duì)Levy過程{x0))腳做模型選擇。由辛欽分解定理知Levy過程由三元組(么,a,y)組成,只要確定了三元組就能確定整個(gè)Levy過程。其中A和口主要決定了帶漂移的布朗運(yùn)動(dòng),而測(cè)度V決定了Levy過程的純跳鞅的跳躍行為。在線性空間{甌,msM)上分別給出高斯過程和復(fù)合泊松過程的模型。由線性高斯模型定義知,只要確定了均值函數(shù)s(x1就可得到高斯過程的模型。所以我們?cè)趓空間中用罰函數(shù)的方法給出高斯過程均值函數(shù)的模型,從而得到高斯過程的模型。又由辛欽分解定理知復(fù)合泊松過程由Levy測(cè)度v決定。假設(shè)測(cè)度V對(duì)r空間中的某個(gè)已知測(cè)度r/絕對(duì)連續(xù),又通過Radon.Nik。dym導(dǎo)數(shù)霉掣--S(x),z∈D得到關(guān)于測(cè)arl(x)度77的正則化密度函數(shù)s(x)。并在r空間中通過給出密度函數(shù)s(x)的模型來(lái)確定復(fù)合泊松過程的模型。通過分別對(duì)這兩部分模型的確定,我們便得到了Levy過程的模型。針對(duì)Levy過程來(lái)說,模型選擇主要分兩步,第一步:通過最小二乘估計(jì)給出線性模型的估計(jì)值。第二步:在最小二乘估計(jì)值中,用罰函數(shù)的方法選擇出最優(yōu)估計(jì)值,且該估計(jì)值應(yīng)在罰函數(shù)具備一定條件時(shí)滿足相應(yīng)的Oracle不等式。全文主要包括下面四部分的內(nèi)容。第l章,介紹本文問題的背景及實(shí)際意義,綜述前人的研究成果,進(jìn)而提出本文所要研究的問題,給出研究方法及主要結(jié)論。第2章,給出Levy過程,高斯過程和復(fù)合泊松過程的相關(guān)定義及定理。論述了模型選擇的背景知識(shí)。第3章,在r空間中給出高斯過程模型選擇的方法,并且證明當(dāng)罰函數(shù)滿足一定條件時(shí),存在滿足Oracle不等式的均值函數(shù)的懲罰投影估計(jì)值i。由此便得到了高斯過程模型。第4章,在r空間中,給出復(fù)合泊松過程的模型選擇的方法,證明當(dāng)罰函數(shù)滿足一定條件時(shí),存在滿足Oracle不等式的懲罰投影估計(jì)值j。并通過v(dx)=s(x)rld(x)得萬(wàn)方數(shù)據(jù)西南交通大學(xué)碩士研究生學(xué)位論文第|I頁(yè)到測(cè)度v,從而確定了復(fù)合泊松過程的模型。關(guān)鍵詞:Levy過程;模型選擇;高斯過程;復(fù)合泊松過程萬(wàn)方數(shù)據(jù)西南交通大學(xué)碩士研究生學(xué)位論文第1II頁(yè)AbstractThisarticleusethemethodofpenaltyfunctiontochooseamodelofLevyprocessinthespaceofL2.positiontheorem,posedoftriples(A,a,y).heLevyprocess.heBrownianmovementwhichwithdrift,andthemeasureydeterminesthebehaviorofthepurejumpoftheLevyprocess.onthelinearspace{&,m∈M),poundPoissonprocess.BythedefinitionofthelinearGaussianmodel,weknowaslongasthemeanfunctionofGaussianprocessisdetermined,themodelofGaussianprocesswillbeobtained.SoweusethemethodofpenaltyfunctiontodothemodelselectionofmeanfunctionoftheGaussianprocessinthespaceByWiener-positiontheorem,poundPoissonprocessisdecidedbyLevymeasureV.Assumethatthemeasureyabsolutelycontinuouswithakn。Wnmeasure矽inSpacer,thenbyRad。n.Nikodymderivative麗dr(x)=蹴x∈。,regularizationdensityfunctions(x)regardingthemeasurer/.Andthroughthemodelofdensityfunctions(x)isgiveninthespaceofL2,poundPoissonprocessmodelwillbedecided.Throughthedeterminationofrespectivelyforthetwopartsmodel,weobtainedthemodel
12>
播放器加載中,請(qǐng)稍候...
系統(tǒng)無(wú)法檢測(cè)到您的Adobe Flash Player版本
建議您在線安裝最新版本的Flash Player 在線安裝
本文關(guān)鍵詞:基于Levy過程函數(shù)的模型選擇,由筆耕文化傳播整理發(fā)布。
本文編號(hào):157786
本文鏈接:http://sikaile.net/shoufeilunwen/benkebiyelunwen/157786.html