1) Kernel estimation
![点击朗读](/dictall/images/read.gif)
核估计
1.
Identifying exceptions from data streams based on kernel estimation and interval clustering,;
基于核估计和区间聚类的数据流中异常模式发现
2.
Kernel Estimation of β in Nonparametric Regression Models;
![点击朗读](/dictall/images/read.gif)
非参数回归模型中β的核估计
3.
Considering the flaw of history simulation method,the paper adopts kernel estimation method to estimate parameters and their standard deviation,and then gives case analysis.
考虑到传统的历史模拟方法存在的缺点,采用基于核估计的历史模拟方法获得估计值及其置信区间,并用实例进行了分析。
2) kernel estimate
![点击朗读](/dictall/images/read.gif)
核估计
1.
The strong consistency of conditional t-quantiles kernel estimate for dependent sample;
![点击朗读](/dictall/images/read.gif)
相依样本条件t-分位数核估计的强相合性
2.
Based on complete and censored data, we obtain pointwise consistency of regression function kernel estimates under suitable conditions, the results are distribution-free in the sense that they are true for all distribu.
在合适条件下获得了一类基于完全和截尾数据回归函数核估计的逐点相合性,所获的结果对于所有X的分布μ均成立,因此是分布自由
3.
In this model, nonparametric components are estimated by kernel estimates, and parametric component is estimated by least square estimate.
对模型的非参数成份构造了核估计,然后利用最小二乘法估计参数成份,最后证明了估计的若干渐近性质(例如,相合性,渐近正态性等)。
3) kernel estimator
![点击朗读](/dictall/images/read.gif)
核估计
1.
This kernel estimator has the advantages of both the local model and the global model.
![点击朗读](/dictall/images/read.gif)
这种核估计方法可以结合局域法与全局法的优点,使得预测的精度更高。
2.
Based on m-dependent samples,the kernel estimator for f(x) is constructed,and with the application of the property of i.
设{Xn,n≥1}为严平稳的m相依随机变量序列,f(x)为X1的概率密度函数,基于样本X1,X2,…,Xn,构造了密度函数f(x)的核估计,并利用独立同分布样本的性质证明了f(x)核估计的r阶平均相合、逐点相合和一致强相合性。
3.
Given random censored data,the strong consistency of three kernel estimators for regression function m(x)=E(Y|X=x) is investigated in the case of (X,Y) being in identical distribution withφ-mixing samples.
在删失场合下,当(X_i,Y_i)为同分布φ混合样本时,获得了回归函数m(x)=E(Y|X=x)的3类核估计的强相合性。
4) kernel density estimation
![点击朗读](/dictall/images/read.gif)
核估计
1.
New algorithm for moving object detection based on the triangle kernel density estimation model;
基于三角核估计模型的运动目标检测方法
2.
This paper presented a new approach of bandwidth selection in kernel density estimation.
![点击朗读](/dictall/images/read.gif)
提出了密度核估计中窗宽选择的一种新方法,并通过选取适当的核函数,推导出决定窗宽选择的数学表达式,最后在均方误差(MSE)意义下,通过与交叉验证法(cross-validation)进行比较,说明在未知总体分布的情形下,用此方法选择最优窗宽是很有效的一个途径。
3.
In this paper,we first introduce the concept of kernel density estimation,and then the idea of variable bandwidth for kernel density estimation is considered from a new point of view.
通过对非参数密度核估计定义的理解,从一个崭新的角度提出了变窗宽密度核估计的思想,且对于i。
5) Parzen kernel estimate
![点击朗读](/dictall/images/read.gif)
Parzen核估计
1.
A novel independent component analysis(ICA) algorithm based on nonparametric density estimation——Parzen kernel estimate was proposed, which was truly blind to the source signals.
基于概率密度非参数估计的Parzen核估计,提出了一种新的独立成分分析(ICA)算法,实现了对源信号分布的全“盲”要求。
6) kernel estimators
![点击朗读](/dictall/images/read.gif)
核估计量
补充资料:维纳核估计
用泛函级数模型逼近非线性系统的动态过程,又称白噪声估计方法。1887年V.沃尔泰拉引用一致收敛的泛函级数来逼近连续函数,这就是著名的沃尔泰拉级数。可以用沃尔泰拉级数来逼近一个非线性系统的输入输出关系。但是由于沃尔泰拉级数的核不是正交的,在估计这些核时不能简单地通过输入激励和系统的响应来得到结果。
1958年R.维纳建立一组正交核:
式中y(t)是系统的响应;Gm(m=0,1,2,...)是一组泛函;当系统的激励u(t)是正态白噪声时,Gm是正交的;hm(τ1,...,τm)称为m 阶维纳核。前几阶维纳核hm满足下列等式:
其中P是输入白噪声u(t)的功率谱密度。
利用Gm的正交性和正态白噪声的性质可以通过不同的途径比较方便地得到hm的估计。最常用的是互相关方法,也就是利用输入和输出的互相关函数来估计hm。
前几阶核的估计是:
h0=E [y(t)]
这种估计方法主要是利用正态白噪声的特殊性质,所以又称为白噪声估计方法。除此之外还可以利用其他的特殊函数,如拉盖尔多项式等来估计核,但是计算十分复杂。
图1是典型的一、二阶核计算方法。图中是在白噪声刺激(输入)下系统的响应曲线y(t);响应曲线的零阶核h0(常数),即y(t)的期望值;y(t)减去期望值得到的零均值响应y0;y0与白噪声的互相关函数h1(τ),即一阶核;白噪声的刺激下一阶核的线性响应y2(t);响应y(t)减去线性响应y2(t)得到的非线性响应y1(t);非线性响应与两个白噪声输入之间的互相关函数h2(τ1,τ2),即二阶核。在τ1、τ2平面上的核状封闭曲线是h2(τ1,τ2)的等值线。
白噪声估计方法的重要性在于:两个系统一致(即有完全相同的输入输出关系)的充分必要条件是它们对正态白噪声输入有相同的响应。因此用正态白噪声估计出来的维纳核只要精度足够高,就可以作为系统的描述,并可用以预测对任何输入的响应。这种方法着眼于研究缺乏先验知识、机理不清的非线性系统,适用于研究黑箱。这种方法在生理系统的分析中得到成功的应用。例如在研究脊椎动物视网膜的过程中把刺激-响应试验(即功能辨识)和解剖学知识 (即结构辨识的先验知识)结合起来完成视网膜的建模和辨识。先辨识对视网膜的光刺激s和送入大脑的信号r之间的功能关系,这是完全的黑箱方法(图2虚线部分)。再利用解剖学知识,知道水平细胞H处于从光到神经中枢信息处理的通路中间,然后测量H的响应r1,原系统就分解成两个子系统。再将电流通入H并记录视网膜光感受器R 的响应就可证实从H到 R存在反馈。这样就把视网膜分解成三个子系统并能测出各自的特性。继续这种分解,逐步打开黑箱便得到完整的视网膜模型(图3)。图3中,r3为对双极细胞B的检测,r4为对无长突细胞A的检测。图4是用所测数据求得的视网膜模型一阶核和二阶核。
1958年R.维纳建立一组正交核:
式中y(t)是系统的响应;Gm(m=0,1,2,...)是一组泛函;当系统的激励u(t)是正态白噪声时,Gm是正交的;hm(τ1,...,τm)称为m 阶维纳核。前几阶维纳核hm满足下列等式:
其中P是输入白噪声u(t)的功率谱密度。
利用Gm的正交性和正态白噪声的性质可以通过不同的途径比较方便地得到hm的估计。最常用的是互相关方法,也就是利用输入和输出的互相关函数来估计hm。
前几阶核的估计是:
h0=E [y(t)]
这种估计方法主要是利用正态白噪声的特殊性质,所以又称为白噪声估计方法。除此之外还可以利用其他的特殊函数,如拉盖尔多项式等来估计核,但是计算十分复杂。
图1是典型的一、二阶核计算方法。图中是在白噪声刺激(输入)下系统的响应曲线y(t);响应曲线的零阶核h0(常数),即y(t)的期望值;y(t)减去期望值得到的零均值响应y0;y0与白噪声的互相关函数h1(τ),即一阶核;白噪声的刺激下一阶核的线性响应y2(t);响应y(t)减去线性响应y2(t)得到的非线性响应y1(t);非线性响应与两个白噪声输入之间的互相关函数h2(τ1,τ2),即二阶核。在τ1、τ2平面上的核状封闭曲线是h2(τ1,τ2)的等值线。
白噪声估计方法的重要性在于:两个系统一致(即有完全相同的输入输出关系)的充分必要条件是它们对正态白噪声输入有相同的响应。因此用正态白噪声估计出来的维纳核只要精度足够高,就可以作为系统的描述,并可用以预测对任何输入的响应。这种方法着眼于研究缺乏先验知识、机理不清的非线性系统,适用于研究黑箱。这种方法在生理系统的分析中得到成功的应用。例如在研究脊椎动物视网膜的过程中把刺激-响应试验(即功能辨识)和解剖学知识 (即结构辨识的先验知识)结合起来完成视网膜的建模和辨识。先辨识对视网膜的光刺激s和送入大脑的信号r之间的功能关系,这是完全的黑箱方法(图2虚线部分)。再利用解剖学知识,知道水平细胞H处于从光到神经中枢信息处理的通路中间,然后测量H的响应r1,原系统就分解成两个子系统。再将电流通入H并记录视网膜光感受器R 的响应就可证实从H到 R存在反馈。这样就把视网膜分解成三个子系统并能测出各自的特性。继续这种分解,逐步打开黑箱便得到完整的视网膜模型(图3)。图3中,r3为对双极细胞B的检测,r4为对无长突细胞A的检测。图4是用所测数据求得的视网膜模型一阶核和二阶核。
说明:补充资料仅用于学习参考,请勿用于其它任何用途。
参考词条