社会核算矩阵平衡方法研究——最小二乘交叉熵法

针对初始不平衡SAM与真实SAM关系未知的情形,本文提出了最小二乘交叉熵(LSCE)平衡法。基于最小二乘法(LS)、交叉熵法(CE)以及LSCE方法的仿真分析表明,CE与LS的相对稳健性取决于初始不平衡SAM的误差特征:当初始不平衡SAM的交易流量更接近于真实SAM时,LS较优;当初始不平衡SAM的系数矩阵更接近于真实SAM时,CE较优。LSCE方法同时考虑了SAM表流量和系数矩阵信息,故可得到精度介于LS和CE间的平衡SAM表,从而保证了平衡后SAM表的相对精度。     

带约束的最小二乘求解算法在高光谱像元分解的应用

本文主要研究德行高光谱数据经降维降噪选择纯净像元,根据参照实际情况和实测光谱,最终根据所作工作确定了ANC约束下比ASC约束下、无约束最小约束算法的解混,并且ASC约束下算法比无约束最小约束算法效果好。     

带约束的最小二乘求解算法在高光谱像元分解的应用

本文主要研究德行高光谱数据经降维降噪选择纯净像元,根据参照实际情况和实测光谱,最终根据所作工作确定了ANC约束下比ASC约束下、无约束最小约束算法的解混,并且ASC约束下算法比无约束最小约束算法效果好。     

基于最小二乘支持向量机的VaR计算方法研究

VaR是使投资风险数量化的工具,旨在估计给定金融资产或组合在正常的资产价格波动下未来可能的或潜在的最大损失。支持向量机是一种基于传统统计学习理论的机器学习算法。波动率作为金融风险的度量,是风险管理中的重要指标。在对Va R的计算中,本文将最小二乘支持向量机与传统的蒙特卡罗模拟法结合,对波动率进行估计。实证分析表明,该方法可行有效。     

基于偏差补偿递推最小二乘法的荧光补偿方法

针对荧光检测技术中荧光光谱重叠引起荧光值偏差的问题,提出了一种基于偏差递推最小二乘算法辨识补偿矩阵的方法。首先,在多输入多输出系统(MIMO)下,利用单染色荧光光谱和多染色荧光光谱实际测量的荧光值,通过递推最小二乘法进行迭代运算,推导出参数估计值。然后,在其中引入一个修正项,补偿在采集荧光中过程噪声引起的误差。最后,计算出偏差补偿递推最小二乘法迭代的估计值。理论分析与仿真表明,该算法在参数误差估计中误差率小于1%,相对于递推最小二乘算法性能提高了50%。所用算法能够有效提高估计值精度,同时也能减小噪声产生的影响。     

基于偏最小二乘的汽包水位影响因素相关性分析

汽包水位是锅炉正常运行中最主要的监视参数之一。受各个因素的影响和制约,导致水位经常发生变化。引起汽包水位发生变化的因素较多,本文应用偏最小二乘方法对其进行了多重相关性分析,并在马头电厂9#机组的水位变化因素分析中进行应用取得了良好的效果。     

GPS卫星钟差二次多项式预报模型的总体最小二乘算法

GPS精密单点定位技术是今后GPS测量技术的发展趋势,其中,卫星轨道预报与钟差预报是该技术的关键。如今,IGS组织已能够提供短时高精度的卫星轨道预报,但在钟差预报方面尚无法达到实时定位的要求,所以建立足够精度的卫星钟差预报模型尤为重要。文章根据常用的二次多项式短期预报模型,提出新的参数估计方法——总体最小二乘估计,并得出该方法能进一步提高二次多项式模型预报精度的结论。     

基于偏最小二乘的泰国菠萝出口影响因素实证研究

本文采用偏最小二乘回归模型(PLS),以泰国菠萝贸易为例,通过变量投影重要性准则筛选自变量,由交叉有效性提取主成分,进而建立偏最小二乘回归模型。深入分析了各指标对泰国菠萝出口贸易的影响。研究表明泰国菠萝出口与原料价格及工厂生产加工速度密切相关,并且偏最小二乘回归的拟合效果优于普通最小二乘回归。     

基于最小二乘支持向量机的短期负荷预测

支持向量机是一种基于统计学理论的新颖的机器学习方法,该方法被广泛用于解决分类和回归问题。文章将最小二乘支持向量机(LS-SVM)算法应用于电力系统短期负荷预测中,并将其预测结果和BP神经网络的预测结果进行比较分析。仿真实验表明,该方法在短期负荷预测中具有很好的预测速度和精度。     

基于最小二乘支持向量机的短期负荷预测

支持向量机是一种基于统计学理论的新颖的机器学习方法,该方法被广泛用于解决分类和回归问题。文章将最小二乘支持向量机（LS—SVM）算法应用于电力系统短期负荷预测中,并将其预测结果和BP神经网络的预测结果进行比较分析。仿真实验表明,该方法在短期负荷预测中具有很好的预测速度和精度。     

耦合Sylvester矩阵方程的梯度迭代算法

通过推广求解矩阵方程AX=b或AX+XB=C的递推迭代算法和基于递阶辩识原理的思想,给出了求解广义耦合矩阵方程的梯度迭代算法。并证明了迭代算法的收敛性。分析表明,若矩阵方程有唯一解,则对任意的初始值该算法给出的迭代解都能快速的收敛到其精确解。数值实例验证了该算法的有效性。     

A Unifying Framework and Comparison of Algorithms for Non-negative Matrix Factorisation

Non-negative matrix factorisation (NMF) is an increasingly popular unsupervised learning method. However, parameter estimation in the NMF model is a difficult high-dimensional optimisation problem. We consider algorithms of the alternating least squares type. Solutions to the least squares problem fall in two categories. The first category is iterative algorithms, which include algorithms such as the majorise–minimise (MM) algorithm, coordinate descent, gradient descent and the Févotte-Cemgil expectation–maximisation (FC-EM) algorithm. We introduce a new family of iterative updates based on a generalisation of the FC-EM algorithm. The coordinate descent, gradient descent and FC-EM algorithms are special cases of this new EM family of iterative procedures. Curiously, we show that the MM algorithm is never a member of our general EM algorithm. The second category is based on cone projection. We describe and prove a cone projection algorithm tailored to the non-negative least square problem. We compare the algorithms on a test case and on the problem of identifying mutational signatures in human cancer. We generally find that cone projection is an attractive choice. Furthermore, in the cancer application, we find that a mix-and-match strategy performs better than running each algorithm in isolation.     

Some Decompositions of OLSEs and BLUEs Under a Partitioned Linear Model

We consider in this paper a partitioned linear model { y , X ₁ β ₁ + X ₂ β ₂ , σ ² σ } and two corresponding small models { y , X ₁ β ₁ , σ ² σ } and { y , X ₂ β ₂ , σ ² σ } . We derive necessary and sufficient conditions for (i) the ordinary least squares estimator under the full model to be the sum of the ordinary least squares estimators under the two small models; (ii) the best linear unbiased estimator under the full model to be the sum of the best linear unbiased estimators under the two small models; (iii) the best linear unbiased estimator under the full model to be the sum of the ordinary least squares estimators under the two small models. The proofs of the main results in this paper also demonstrate how to use the matrix rank method for characterizing various equalities of estimators under general linear models.