1) L 1 Norm Kernal Estimator
L1模核估计
2) L_1-estimates
L1模估计
3) L_1-norm estimation
L1范估计
1.
From the Bahadur-type relation (between) the true errors and residuals in the L_1-norm estimation, it can be seen that the gross errors are almost completely projected onto the corresponding residuals, which is why the gross errors can be correctly located in the L_1-norm estimation.
根据残差与真误差的Bahadur型关系,L1范估计中,粗差几乎完全反映到相应的残差上,这就是L1范估计能正确定位粗差的原因。
4) L 1-norm
L1-模
5) Kernel estimation
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;
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。
6) kernel density estimation
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.
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。
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