1) orthogonal least squares (OLS)
正交最小二乘法(OLS)
2) orthogonal least square
正交最小二乘法
1.
Combined with the orthogonal least square (OLS), the method is applied to load prediction, and the wavelet network model of load prediction is established.
针对小波网络建模存在难以有效对小波级数进行截断的问题,提出一种基于频带能量的小波级数截断方法,该方法能克服传统方法对个人经验的依赖,确保小波网络的逼近能力;结合正交最小二乘法,将其应用于电力负荷预测中,建立负荷预测的小波网络模型。
3) orthogonal least squares
正交最小二乘法
1.
A new method, Monte Carlo simulation, to estimate standard deviation of regression coefficients in orthogonal least squares is presented in this paper.
介绍了一种计算正交最小二乘法拟合参数标准偏差的新方法———蒙特卡洛模拟法 ,并以电子探针微区分析技术分析环境样品的数据为例 ,对用于计算经典最小二乘法回归系数标准偏差的公式法和蒙特卡洛模拟法进行了比较。
4) orthogonal least square algorithm
正交最小二乘算法
5) Orthogonal Least Square(OLS) method
正交最小二乘方法
6) ROLSA
递归正交最小二乘算法
1.
The recursive orthogonal least square algorithm (ROLSA) is used to optimally select the hidden centers vectors of the radial basis probabilistic neural networks (RBPNN).
使用递归正交最小二乘算法(ROLSA)优选径向基概率神经网络(RBPNN)的隐中心矢量,微遗传算法(μGA)用于求解RBPNN最优核函数控制参数,并同ROLSA相结合(ROLS-μGA)来优化RBPNN的全结构(优选最优控制参数及隐中心矢量)。
补充资料：非线性最小二乘法
以误差的平方和最小为准则来估计非线性静态模型参数的一种参数估计方法。设非线性系统的模型为
y＝f(x，θ)
式中y是系统的输出，x是输入，θ是参数（它们可以是向量）。这里的非线性是指对参数θ的非线性模型，不包括输入输出变量随时间的变化关系。在估计参数时模型的形式f是已知的，经过N次实验取得数据(x1,y1),(x2,y1)，...,(xn，yn)。估计参数的准则（或称目标函数）选为模型的误差平方和
非线性最小二乘法就是求使Q达到极小的参数估计值孌。
由于 f的非线性，所以不能象线性最小二乘法那样用求多元函数极值的办法来得到参数估计值，而需要采用复杂的优化算法来求解。常用的算法有两类，一类是搜索算法，另一类是迭代算法。
搜索算法的思路是：按一定的规则选择若干组参数值，分别计算它们的目标函数值并比较大小；选出使目标函数值最小的参数值，同时舍弃其他的参数值；然后按规则补充新的参数值，再与原来留下的参数值进行比较，选出使目标函数达到最小的参数值。如此继续进行，直到选不出更好的参数值为止。以不同的规则选择参数值，即可构成不同的搜索算法。常用的方法有单纯形搜索法、复合形搜索法、随机搜索法等。
迭代算法是从参数的某一初始猜测值θ(0)出发，然后产生一系列的参数点θ(1)、θ(2)...，如果这个参数序列收敛到使目标函数极小的参数点孌，那么对充分大的N就可用θ(N) 作为孌。迭代算法的一般步骤是：
① 给出初始猜测值θ(0)，并置迭代步数i＝1。
② 确定一个向量v(i)作为第i步的迭代方向。
③ 用寻优的方法决定一个标量步长ρ(i)，使得 Q(θ(i))＜Q(θ(i))，其中θ(i)＝θi-1+ρ(i)v(i)。
④ 检查停机规则是否满足，如果不满足,则将i加1再从②开始重复；如果满足，则取θ(i)为孌。
典型的迭代算法有牛顿－拉夫森法、高斯迭代算法、麦夸特算法、变尺度法等。
非线性最小二乘法除可直接用于估计静态非线性模型的参数外，在时间序列建模、连续动态模型的参数估计中，也往往遇到求解非线性最小二乘问题。
y＝f(x，θ)
式中y是系统的输出，x是输入，θ是参数（它们可以是向量）。这里的非线性是指对参数θ的非线性模型，不包括输入输出变量随时间的变化关系。在估计参数时模型的形式f是已知的，经过N次实验取得数据(x1,y1),(x2,y1)，...,(xn，yn)。估计参数的准则（或称目标函数）选为模型的误差平方和
非线性最小二乘法就是求使Q达到极小的参数估计值孌。
由于 f的非线性，所以不能象线性最小二乘法那样用求多元函数极值的办法来得到参数估计值，而需要采用复杂的优化算法来求解。常用的算法有两类，一类是搜索算法，另一类是迭代算法。
搜索算法的思路是：按一定的规则选择若干组参数值，分别计算它们的目标函数值并比较大小；选出使目标函数值最小的参数值，同时舍弃其他的参数值；然后按规则补充新的参数值，再与原来留下的参数值进行比较，选出使目标函数达到最小的参数值。如此继续进行，直到选不出更好的参数值为止。以不同的规则选择参数值，即可构成不同的搜索算法。常用的方法有单纯形搜索法、复合形搜索法、随机搜索法等。
迭代算法是从参数的某一初始猜测值θ(0)出发，然后产生一系列的参数点θ(1)、θ(2)...，如果这个参数序列收敛到使目标函数极小的参数点孌，那么对充分大的N就可用θ(N) 作为孌。迭代算法的一般步骤是：
① 给出初始猜测值θ(0)，并置迭代步数i＝1。
② 确定一个向量v(i)作为第i步的迭代方向。
③ 用寻优的方法决定一个标量步长ρ(i)，使得 Q(θ(i))＜Q(θ(i))，其中θ(i)＝θi-1+ρ(i)v(i)。
④ 检查停机规则是否满足，如果不满足,则将i加1再从②开始重复；如果满足，则取θ(i)为孌。
典型的迭代算法有牛顿－拉夫森法、高斯迭代算法、麦夸特算法、变尺度法等。
非线性最小二乘法除可直接用于估计静态非线性模型的参数外，在时间序列建模、连续动态模型的参数估计中，也往往遇到求解非线性最小二乘问题。
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