非参数回归分析的Bagging方法

发布时间：2021-05-27 08:56

　　目前,非参数回归在许多领域得到了广泛关注。N-W核估计是非参数回归中的重要方法,具有重要的研究意义。理论和实验结果显示N-W核估计受平滑窗宽条件的影响较大,它在很多情况下预测结果不佳,特别是在输入值的边缘区域。同时,对国内已有文献研究发现,在非参数回归领域很难找到创造性的新方法。用新方法解决非参数回归中使用传统N-W核估计方法时预测误差过大的问题具有一定的研究意义。为了提高N-W核估计的预测精度,文章主要作了以下两项研究工作。1.将再生核希尔伯特空间的思想与传统N-W核估计方法用Bagging的思想相结合,提出了RKHS核估计的Bagging方法,简称RKHS方法。2.为了进一步减小预测误差,将局部线性理论、再生核希尔伯特空间和N-W核估计用Bagging的思想相结合,又提出了RKLL核估计的Bagging方法,简称RKLL方法。模拟实验结果显示,对于一般样本而言RKLL方法的预测误差远远小于另外两种方法,有时它的预测误差甚至比N-W核估计小一百倍以上,RKHS方法的预测误差通常介于RKLL和N-W核估计之间。同时,RKLL方法和RKHS方法解决了N-W核估计方法的边界效应问题。平滑窗... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
缩略词表
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究历史与现状
    1.3 本文解决的问题及创新之处
    1.4 研究思路与框架
第二章 非参数回归与Bagging方法简介
    2.1 非参数回归的概念
    2.2 Bootstrap原理与回归应用
        2.2.1 Bootstrap的原理介绍
        2.2.2 Bootstrap的回归应用
    2.3 Bagging方法简介
    2.4 本章小结
第三章 N--W核估计的Bagging方法
    3.1 N--W核估计理论介绍
    3.2 N--W核估计的Bagging方法
    3.3 窗宽选择的交叉验证方法
    3.4 本章实验
    3.5 本章小结
第四章 RKHS核估计的Bagging方法
    4.1 RKHS的理论介绍
    4.2 RKHS核估计的Bagging方法
    4.3 本章实验
    4.4 本章小结
第五章 RKLL核估计的Bagging方法
    5.1 局部线性回归理论介绍
        5.1.1 最小二乘估计的公式推导
        5.1.2 加权最小二乘估计的公式推导
    5.2 RKLL核估计的Bagging方法
    5.3 本章实验
    5.4 本章小结
第六章 全文总结与展望
    6.1 全文总结
    6.2 后续工作展望
致谢
参考文献
攻读硕士学位期间取得的成果


【参考文献】：
期刊论文
[1]非参数回归模型均值与方差双重变点的估计[J]. 胡尧,邓春霞,李丽.  应用概率统计. 2018(03)
[2]基于属性权重的Bagging回归算法研究[J]. 孟小燕.  现代电子技术. 2017(01)
[3]加权最小二乘法线性回归模型参数的理论推导与计算实例[J]. 毕瑞锋,张发玲.  计量与测试技术. 2016(02)
[4]基于特征选择的Bagging分类算法研究[J]. 姚明海,赵连朋,刘维学.  计算机技术与发展. 2014(04)
[5]基于MM-算法的局部常数核加权分位数回归估计及应用[J]. 姜云卢,袁晶晶.  华南师范大学学报(自然科学版). 2013(04)
[6]Bootstrap方法在非参数核估计中的研究与应用[J]. 潘海涛.  统计与决策. 2010(23)
[7]分类器线性组合的有效性和最佳组合问题的研究[J]. 付忠良.  计算机研究与发展. 2009(07)
[8]一种基于迭代Bagging的回归算法[J]. 王立,朱学峰.  控制工程. 2009(01)
[9]非参数技术理论及应用综述[J]. 戴丽娜.  新乡学院学报(自然科学版). 2008(03)
[10]稳健回归的反复加权最小二乘迭代解法及其应用[J]. 施能,王建新.  应用气象学报. 1992(03)



本文编号：3207283