基于整体最小二乘法的线性回归建模和解法

对基于自变量和因变量误差的回归问题进行了进一步研究,证明了两种方法的实质并未解决同时考虑自变量和因变量的误差问题,其解算结果和不考虑自变量误差的解算结果完全相同.给出了能同时顾及自变量和因变量误差的新的回归模型,并推导了具体的解算方法.算例结果和基于矩阵分解的整体最小二乘法解算方法的结果相同,说明了本文方法的正确性.     

截尾均值与平尾均值

根据截尾均值、平尾均值的定义和截尾正态分布。本文得到了这种两均值都是最或然估计最，并导出了它们的影响函数，用来表征估值的抗差性，最后对效率问题作了一 些讨论     

三重加权变形监测预测模型及应用

针对GM(1,1)建模过程存在背景值、时间因素和初始条件3方面的不足,该文提出三重加权TPGM(1,1)预测模型。通过对背景值进行加权生成新的背景值,建立PGM(1,1)模型;在PGM(1,1)基础上考虑到时间因素,在求解灰参数时进行第2次加权建立DPGM(1,1)模型;最后考虑到初始条件对预测模型的影响,在DPGM(1,1)基础上进行第3次加权,建立TPGM(1,1)模型。通过实例分析,比较GM(1,1)、PGM(1,1)、DPGM(1,1)、TPGM(1,1)4种模型在变形监测数据处理中的拟合和预测结果,表明三重加权TPGM(1,1)模型拟合效果更好、预测精度更高;该模型具有前3种模型的优点,同时弥补了传统GM(1,1)存在的不足。     

局部均值分解与支持向量回归的大坝变形预测

针对现有变形预测方法对于大坝变形的预测效果不理想的问题,该文利用局部均值分解方法获取生产函数分量并进行支持向量回归建模,用此方法对大坝变形进行多尺度分析。通过局部均值分解对大坝变形序列进行分解得到其乘积函数分量,然后利用支持向量机回归进行外推预测,再把各乘积函数分量的预测结果进行叠加重构生成,进而获得大坝变形预测值。通过实例分析,比较GM(1,1)、支持向量机和该文方法3种模型在变形监测数据处理中的拟合和预测结果,表明该文方法充分发掘数据本身所蕴含的物理机制和物理规律,提高了大坝变形多尺度预测精度。     

顾及邻近点变形因素的高斯过程建模及预测

针对传统的变形监测建模方法一般针对单一监测点的变形预测模型,未考虑到监测点间相互作用的变形特点,该文分析了变形监测点间的相互关联性,通过相关系数法对监测点进行分类,并将邻近监测点的观测序列值作为和时间因素等同的影响因子应用到建模过程中,利用高斯过程算法进行训练,建立预测模型。为提高高斯过程算法的模型预测精度,应选择适合工程案例最优协方差函数。通过实例分析,比较GM(1,1)、多点灰色预测模型和顾及邻近点变形因素的高斯过程等3种模型在基坑围岩、滑坡等变形监测数据处理中的预测精度,表明该文算法考虑到监测点间的变形关联性,充分利用高斯过程在针对小样本、非线性数据建模时的高自适应性等优点,具有较高的预测精度。     

一种选取补偿最小二乘正则化参数的改进方法

为了改进半参数模型补偿最小二乘估计中的正则化参数选取方法,该文设计了3种方案:L-曲线法、虚拟观测法以及该文提出的改进方法以比较正则化参数的优劣。模拟算例表明,该文提出的改进方法可以有效评价正则化参数,得到的参数估值精度更高,是一种较为有效的选取补偿最小二乘最佳正则化参数的方法。     

方差的边缘极大似然估计

测量平差问题中,方差估计理论是复杂的。本文基于概括模型,组成自由项f(极大似然估计 MLE)的密度函数和改正数向量 V的线性函数(边缘极大似然估计 MMLE)的密度函数,详细推导了函数模型与随机模型中,未知参数 X与σ_0~2 的似然估计公式,分析了基于两种密度函数所得σ_0~2的似然估计存在差异的真正原因,并对两种方法所得的σ_0~2和X 的统计性质进行了讨论。指出边缘极大似然估计,σ_0~2 的具有良好的统计性质,可改善极大似然估计σ_0~2 的不定性(有偏);并且对任一平差模型的边缘极大似然估计,σ_0~2 无偏、有效的统计性质是一致的。     

快速序贯算法

本文讨论了序贯算法的基本原理，与ｋａｌｍａｎ滤波的关系，和序贯算法的渐近性态，得到无先验信息的序贯算法不受初值的影响。实例分析表明，此序贯算法可适于方程系数阵的求逆、求解和病态方程的快速解算。