目前,非參數(shù)回歸在許多領(lǐng)域得到了廣泛關(guān)注。N-W核估計(jì)是非參數(shù)回歸中的重要方法,具有重要的研究意義。理論和實(shí)驗(yàn)結(jié)果顯示N-W核估計(jì)受平滑窗寬條件的影響較大,它在很多情況下預(yù)測(cè)結(jié)果不佳,特別是在輸入值的邊緣區(qū)域。同時(shí),對(duì)國(guó)內(nèi)已有文獻(xiàn)研究發(fā)現(xiàn),在非參數(shù)回歸領(lǐng)域很難找到創(chuàng)造性的新方法。用新方法解決非參數(shù)回歸中使用傳統(tǒng)N-W核估計(jì)方法時(shí)預(yù)測(cè)誤差過(guò)大的問(wèn)題具有一定的研究意義。為了提高N-W核估計(jì)的預(yù)測(cè)精度,文章主要作了以下兩項(xiàng)研究工作。1.將再生核希爾伯特空間的思想與傳統(tǒng)N-W核估計(jì)方法用Bagging的思想相結(jié)合,提出了RKHS核估計(jì)的Bagging方法,簡(jiǎn)稱(chēng)RKHS方法。2.為了進(jìn)一步減小預(yù)測(cè)誤差,將局部線(xiàn)性理論、再生核希爾伯特空間和N-W核估計(jì)用Bagging的思想相結(jié)合,又提出了RKLL核估計(jì)的Bagging方法,簡(jiǎn)稱(chēng)RKLL方法。模擬實(shí)驗(yàn)結(jié)果顯示,對(duì)于一般樣本而言RKLL方法的預(yù)測(cè)誤差遠(yuǎn)遠(yuǎn)小于另外兩種方法,有時(shí)它的預(yù)測(cè)誤差甚至比N-W核估計(jì)小一百倍以上,RKHS方法的預(yù)測(cè)誤差通常介于RKLL和N-W核估計(jì)之間。同時(shí),RKLL方法和RKHS方法解決了N-W核估計(jì)方法的邊界效應(yīng)問(wèn)題。平滑窗... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
縮略詞表
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究歷史與現(xiàn)狀
    1.3 本文解決的問(wèn)題及創(chuàng)新之處
    1.4 研究思路與框架
第二章 非參數(shù)回歸與Bagging方法簡(jiǎn)介
    2.1 非參數(shù)回歸的概念
    2.2 Bootstrap原理與回歸應(yīng)用
        2.2.1 Bootstrap的原理介紹
        2.2.2 Bootstrap的回歸應(yīng)用
    2.3 Bagging方法簡(jiǎn)介
    2.4 本章小結(jié)
第三章 N--W核估計(jì)的Bagging方法
    3.1 N--W核估計(jì)理論介紹
    3.2 N--W核估計(jì)的Bagging方法
    3.3 窗寬選擇的交叉驗(yàn)證方法
    3.4 本章實(shí)驗(yàn)
    3.5 本章小結(jié)
第四章 RKHS核估計(jì)的Bagging方法
    4.1 RKHS的理論介紹
    4.2 RKHS核估計(jì)的Bagging方法
    4.3 本章實(shí)驗(yàn)
    4.4 本章小結(jié)
第五章 RKLL核估計(jì)的Bagging方法
    5.1 局部線(xiàn)性回歸理論介紹
        5.1.1 最小二乘估計(jì)的公式推導(dǎo)
        5.1.2 加權(quán)最小二乘估計(jì)的公式推導(dǎo)
    5.2 RKLL核估計(jì)的Bagging方法
    5.3 本章實(shí)驗(yàn)
    5.4 本章小結(jié)
第六章 全文總結(jié)與展望
    6.1 全文總結(jié)
    6.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]非參數(shù)回歸模型均值與方差雙重變點(diǎn)的估計(jì)[J]. 胡堯,鄧春霞,李麗.  應(yīng)用概率統(tǒng)計(jì). 2018(03)
[2]基于屬性權(quán)重的Bagging回歸算法研究[J]. 孟小燕.  現(xiàn)代電子技術(shù). 2017(01)
[3]加權(quán)最小二乘法線(xiàn)性回歸模型參數(shù)的理論推導(dǎo)與計(jì)算實(shí)例[J]. 畢瑞鋒,張發(fā)玲.  計(jì)量與測(cè)試技術(shù). 2016(02)
[4]基于特征選擇的Bagging分類(lèi)算法研究[J]. 姚明海,趙連朋,劉維學(xué).  計(jì)算機(jī)技術(shù)與發(fā)展. 2014(04)
[5]基于MM-算法的局部常數(shù)核加權(quán)分位數(shù)回歸估計(jì)及應(yīng)用[J]. 姜云盧,袁晶晶.  華南師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(04)
[6]Bootstrap方法在非參數(shù)核估計(jì)中的研究與應(yīng)用[J]. 潘海濤.  統(tǒng)計(jì)與決策. 2010(23)
[7]分類(lèi)器線(xiàn)性組合的有效性和最佳組合問(wèn)題的研究[J]. 付忠良.  計(jì)算機(jī)研究與發(fā)展. 2009(07)
[8]一種基于迭代Bagging的回歸算法[J]. 王立,朱學(xué)峰.  控制工程. 2009(01)
[9]非參數(shù)技術(shù)理論及應(yīng)用綜述[J]. 戴麗娜.  新鄉(xiāng)學(xué)院學(xué)報(bào)(自然科學(xué)版). 2008(03)
[10]穩(wěn)健回歸的反復(fù)加權(quán)最小二乘迭代解法及其應(yīng)用[J]. 施能,王建新.  應(yīng)用氣象學(xué)報(bào). 1992(03)



本文編號(hào)：3207283