1) ridge and principal correlation estimation
岭型主相关估计
1.
In order to solve the problem of both ill-conditioned and outlier,a robust ridge and principal correlation estimation was established based on the M-model of the robust estimation theory.
针对法方程系数阵病态和观测值存在粗差对估值结果造成双重影响的问题,在岭型主相关估计的基础上引入抗差M估计模型,提出了一种抗差有偏估计的新方法——抗差岭型主相关估计。
3) combining ridge and principal components estimate
岭型主成分估计
1.
This paper discusses its superiority of the optimal and classical predictors based on the combining ridge and principal components estimate.
针对有偏降维估计的预测问题,以岭型主成分估计为基础,对广义线性回归模型{y=Xβ+ε,ε-N(0,σ2∑)}的最优预测量与经典预测量的最优性判别问题进行讨论。
2.
The variance optimality of combining ridge and principal components estimate is discussed in the class of reduced-dimension estimates.
研究岭型主成分估计在降维估计类中的方差最优性,证明了它的方差阵在降维估计类中最小,方差阵的特征值最小,方差和及方差积最小。
3.
おhis paper discusses the variance property of combining ridge and principal components estimate in the class of reduceddimension estimators.
讨论了岭型主成分估计在一类降维估计中的方差性质，证明了在一定条件下岭型主成分估计的方差和最小。
4) principle component estimation
主相关估计
1.
in this paper,based UPon the principle component estimation of the regressionparameters, we proposed a new reduced-dimension estimation that was called main correlation estimation.
本文在回归系数的主成分估计的基础上，提出了一种新的降维估计—主相关估计，讨论了它的优良性；并用实例说明主相关估计对主成分估计的改进效果。
5) stein-generalized main correlation estimation
stein型广义主相关估计
6) combining generalized ridge and principal components estimator
广义岭型主成分估计
1.
The combining generalized ridge and principal components estimator of regression coefficient in growth curve model;
增长曲线模型中回归系数的广义岭型主成分估计
补充资料：自相关估计
随机信号x(n)的相关函数是在时间域内描述随机过程的重要特征。自相关函数是随机信号在不同时刻的值之间的依赖性的量度，是一个很有用的统计平均量，其定义为自相关函数
(1)式中E[·]表示数学期望，*表示共轭值,m为时间滞后数。
在随机信号处理中，自相关函数可以用来检测淹没在随机噪声干扰中的信号，随机信号的自功率谱等于它的自相关函数的傅里叶变换。因此，通过自相关估计可求得信号的功率谱。
利用计算机计算自相关估值有两种方法。一种是直接方法，先计算出随机信号和它的滞后序列的乘积，再取其平均值即得相关函数的估计值。另一种是间接方法，先用快速变换算法计算随机序列的功率谱密度，再作反变换计算出相关函数。
直接算法 设离散随机信号序列x(n)是平稳的，其长度为N，自相关函数的估值记作惲Nx(m)，定义为
(2)式中K为滞后数的最大值。由于估计值的均值E[惲Nx(m)]不等于自相关函数的真值 rxx(m)，因而它是自相关函数的有偏估计。如果把 惲Nx(m)式中的比例系数改成，即令
(3)它的均值,因而是无偏的估计。显然，设m为有限值，当N→∞,则从式(2)可以得到渐近无偏估计。计算m 个滞后数时的自相关估计约需Nm 次实数乘加运算。
间接算法 间接方法是利用快速傅里叶变换的方法计算出功率谱密度函数的估值，然后再计算它的傅里叶反变换，即得自相关函数估值。由于采用了快速傅里叶变换算法，计算速度较快。如当N=2P时，间接算法所需要的运算量约为8NP次实数乘加运算。因此,两种方法的速度比是
如P＝13，m＝0.1N＝819，则，即间接算法比直接算法约快8倍。在用间接算法计算相关函数时,需要把随机信号序列的长度补零扩大到2N-1之后再计算其相关函数。
参考书目
何振亚：《数字信号处理的理论与应用》下册，人民邮电出版社，北京，1983。
J.S.Bendat et al. ,Random Data: Analysis and Measurement Procedures，Wiley-Interscience，New York,1971.
(1)式中E[·]表示数学期望，*表示共轭值,m为时间滞后数。
在随机信号处理中，自相关函数可以用来检测淹没在随机噪声干扰中的信号，随机信号的自功率谱等于它的自相关函数的傅里叶变换。因此，通过自相关估计可求得信号的功率谱。
利用计算机计算自相关估值有两种方法。一种是直接方法，先计算出随机信号和它的滞后序列的乘积，再取其平均值即得相关函数的估计值。另一种是间接方法，先用快速变换算法计算随机序列的功率谱密度，再作反变换计算出相关函数。
直接算法 设离散随机信号序列x(n)是平稳的，其长度为N，自相关函数的估值记作惲Nx(m)，定义为
(2)式中K为滞后数的最大值。由于估计值的均值E[惲Nx(m)]不等于自相关函数的真值 rxx(m)，因而它是自相关函数的有偏估计。如果把 惲Nx(m)式中的比例系数改成，即令
(3)它的均值,因而是无偏的估计。显然，设m为有限值，当N→∞,则从式(2)可以得到渐近无偏估计。计算m 个滞后数时的自相关估计约需Nm 次实数乘加运算。
间接算法 间接方法是利用快速傅里叶变换的方法计算出功率谱密度函数的估值，然后再计算它的傅里叶反变换，即得自相关函数估值。由于采用了快速傅里叶变换算法，计算速度较快。如当N=2P时，间接算法所需要的运算量约为8NP次实数乘加运算。因此,两种方法的速度比是
如P＝13，m＝0.1N＝819，则，即间接算法比直接算法约快8倍。在用间接算法计算相关函数时,需要把随机信号序列的长度补零扩大到2N-1之后再计算其相关函数。
参考书目
何振亚：《数字信号处理的理论与应用》下册，人民邮电出版社，北京，1983。
J.S.Bendat et al. ,Random Data: Analysis and Measurement Procedures，Wiley-Interscience，New York,1971.
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