灰色GM（1，1）模型中参数估计的几种方法比较

文章介绍了灰色GM（1,1）模型中参数估计的最小二乘准则、全最小二乘准则、最小一乘准则和折扣最小一乘准则,并指出了它们的优缺点。将这四种方法分别用于递增序列、递减序列、振荡序列的灰色GM（1,1）模型参数估计中,并通过优化软件LINGO计算出相应的参数。最后,对建立的灰色GM（1,1）模型的精度进行了比较,结果显示：最小一乘准则和折扣最小一乘准则模型参数估计明显优于最小二乘准则、全最小二乘准则模型参数估计。     

基于全最小一乘准则的灰色GM(1,1)模型参数估计

针对传统灰色GM(1,1)模型参数估计的最小二乘算法稳健性较差,在分析全最小一乘算法比最小二乘算法具有较好稳健性的基础上,文章提出了基于全最小一乘准则估计灰色GM(1,1)模型的参数,并给出了求解该算法的LINGO程序和规划模型方法,并通过计算实例说明,基于全最小一乘准则参数估计的GM(1,1)模型比传统灰色GM(1,1)模型具有更好的抗干扰性能和受异常点影响小的优点,从而拓展了灰色GM(1,1)模型的适用范围。     

最小一乘法与最小二乘法:基于例证的比较

最小一乘法和最小二乘法在估计思想上有着相同的渊源,而在实现路径上有所不同:最小一乘法属于中位数回归而最小二乘法属于均值回归。由此,两者在回归系数的计算、回归直线的性质和估计结果等方面均存在较大差异。文章在理论分析的基础上进一步通过例证,将两类估计方法在计算、优劣势和应用范围做出了比较和分析。     

基于全最小一乘准则的灰色GM（l，1）模型参数估计

针对传统灰色GM（1,1）模型参数估计的最小二乘算法稳健性较差,在分析全最小一乘算法比最小二乘算法具有较好稳健性的基础上,文章提出了基于全最小一乘准则估计灰色GM（1,1）模型的参数,并给出了求解该算法的LINGO~序和规划模型方法,并通过计算实例说明,基于全最,J、一乘准则参数估计的GM（1,1）模型比传统灰色GM（1,1）模型具有更好的抗干扰性能和受异常点影响小的优点,从而拓展了灰色GM（1,1）模型的适用范围。     

正交最小一乘回归系数估计的算法

文章对正交最小一乘方法的背景与原理进行了介绍,给出了线性模型参数估计算法和在MATLAB中的实现,通过计算机仿真说明了本文算法的正确性和正交最小一乘法较正交最小二乘法更具有稳健性.     

直接离散GM(1,1)模型参数估计的最小一乘法

研究表明直接离散GM(1,1)模型对严格服从非齐次指数规律的原始数据进行建模,所得到的模型具有完全相同的指数规律,而当数据为近似非齐次指数规律时,直接离散GM(1,1)模型拟合效果较差.主要原因是直接离散GM(1,1)模型采用最小二乘法估计参数,稳健性不好造成的.针对这一情况,文章提出利用最小一乘法估计直接离散GM(1,1)模型参数改进上述不足.对比实验表明,采用最小一乘法估计参数得到的直接离散GM(1,1)模型具有很好的精度和稳健性,使得直接离散GM(1,1)模型的适用范围得到进一步扩大.     

折扣最小一乘法在建立回归预测模型中的应用

一、最小一乘法与折扣最小一乘法众所周知 ,误差平方和最小 (通常称为最小二乘法 )是最常用的最优拟合准则之一 ,它的理论相当完善 ,十分广泛地应用于建立各种预测模型 ,通常可获得满意的效果。但它也存在一些局限性 ,如果当数据中夹杂有异常数据时 ,由此得到的预测模型“失真”较大。鉴于最小二乘法的这些不足 ,人们引入了“稳健性”概念加以刻划 ,而“误差绝对值和最小”准则 (或称为最小一乘法 )能克服上述缺点 ,其稳健性比最小二乘法要强得多 ,具有不可替代的优越性。如在时间序列预测中 ,预测变量 ｙ的变化主要依赖时间变量ｔ ,对于给…     

最小一乘准则在试验设计建模分析中的应用

本文分析了应用最小二乘准则进行试验设计建模分析所存在的局限,给出了利用NM单纯型法迭代求解最小一乘参数估计的算法,并将最小一乘法应用到试验设计的建模分析中。     

基于最小一乘准则的GM（1，1）模型边值分析

针对边值修正灰色GM（1,1）模型的边值修正项求解采用最小二乘准则,而模型检验采用最小一乘准则,提出基于最小一乘准则的边值修正项求解,从而在一定程度上统一了边值修正项求解和模型精度检验的准则,并得到了最小一乘准则确定边值修正项的灰色GM（1,1）模型．实例表明,最小一乘准则确定边值修正项比最小二乘准则确定边值修正项得到的灰色GM（1,1）模型具有更高的精度。     

无偏灰色Verhulst直接建模模型及其优化

针对本身已经具有饱和状态过程且近似满足Logistic函数形式的原始序列,提出通过对其进行倒数生成,建立无偏灰色Verhulst直接建模模型,并在此基础上将同时优化背景值和灰导数与利用"最小一乘法"确定响应系数的方法相结合,从而建立了优化的无偏灰色Verhulst直接建模模型。结果表明,该模型对满足Logistic函数形式的曲线进行模拟和预测具有完全重合性。通过实例分析说明了优化的新模型的可行性和有效性。     

光滑正交最小一乘估计算法的比较

文章首先对线性EV模型与正交最小一乘估计进行了简要介绍.对正交距离的绝对值作了一个近似处理,使得原先不可导的目标函数为一个光滑可导的函数,从而极大地方便了求解.并且通过与正交最小二乘估计、正交最小-乘估计及其算法比较,分析了这种光滑正交最小-乘的合理性和有用性.     

偏最小一乘回归算法及其应用

一、最小一乘法简介 在回归分析中,经验回归方程的待估参数一般是通过最小二乘算法来确定的,即以样本误差的平方和达到最小为条件;但是理论上回归模型的待估参数应以误差的绝对值和达到最小为条件,即通过最小一乘算法来确定.     

经典最小二乘与全最小二乘法及其参数估计

文章对经典的最小二乘和全最小二乘方法的应用背景、原理与算法进行了介绍,给出了它们在线性模型参数估计中的MATLAB实现;通过计算机仿真说明了在模型中所有变量均具有不可忽略的误差时,全最小二乘法得到的参数估计更接近于真实参数.     

部分线性可加变量含误差模型的估计

作为可加模型和部分线性模型的推广,部分线性可加模型是一类应用广泛的半参数模型。文章主要讨论了当线性部分的协变量测量含误差时模型的估计问题,我们基于profile全最小二乘法构造了参数分量和模型误差方差的估计,并证明了估计量的渐近正态性。     

模糊线性回归模型的最小二乘方法

针对自变量和因变量皆模糊的数据系统中的回归分析问题,为避免自变量退化成数值变量时可能引致的估计误差增大而带来的问题,提出系统中引入模糊调整项的回归模型的一般结构,并运用基于模糊数间完备距离的最小二乘法研究模型解析表达式;利用水平截集概念将模糊多元回归模型转化成两个传统回归模型,根据模糊数间距离采用最小二乘法得到参数估计,给出员工工作绩效评估的算例说明方法的有效性,并结合Bootstrap方法的应用,研究回归参数所具有的随机不确定性动态变化。     

两种修正生长曲线参数的最小二乘估计方法

文章提出了一种修正Logistic模型和修正Gompertz模型的分布参数估计方法,这种方法以最小二乘法为基础,推导求解分布参数的方程组.利用这两个曲线模型中有两个以线性形式出现的参数的特点,使同时求解四个参数的问题简化为只需要同时求解两个参数的问题,并给出求解这两个参数偶合的方程组的二重二分迭代法.预测实例表明,这种方法对于迭代初值的选取要求较低、求解速度快、精度高.此外,修正的生长模型更适合于拟合S形的数据,因而其适用范围比传统模型更广.     

病态加权最小二乘混合模型的k-Liu估计解法

文章综合加权多源观测模型及最小二乘混合模型,组合两种有偏估计算法得到组合有偏估计算法。利用岭估计与Liu估计形成一种新的有偏估计——k-Liu估计,其可以抵抗法方程系数矩阵的病态性,同时可以有效降低参数估值的均方误差。通过构建目标函数导出k-Liu估计在病态最小二乘混合模型中参数的通用解式、均方误差式和协因数的计算式,推导出k-Liu估计中修正因子的计算式,通过广义交叉检核法确定岭参数。最后,通过多种估计法参与算例解算,得出k-Liu估计可以进一步提升混合最小二乘模型的解算精度。     

空间回归模型估计中的最小二乘法

空间回归模型由于引入了空间地理信息而使得其参数估计变得复杂,因为主要采用最大似然法,致使一般人认为在空间回归模型参数估计中不存在最小二乘法。通过分析空间回归模型的参数估计技术,研究发现,最小二乘法和最大似然法分别用于估计空间回归模型的不同的参数,只有将两者结合起来才能快速有效地完成全部的参数估计。数理论证结果表明,空间回归模型参数最小二乘估计量是最佳线性无偏估计量。空间回归模型的回归参数可以在估计量为正态性的条件下而实施显著性检验,而空间效应参数则不可以用此方法进行检验。     

基于加权组合和最小二乘法改进的GM(2,1)模型

文章通过分析指出了GM(2,1)模型存在灰微分方程与白化方程无法匹配以及默认经过初始值点的缺陷;利用权值p1、p2对一阶灰导数和背景值进行加权组合,建立了GM(2,1)模型的一种改进形式--GM(2,1,p1,p2模型,利用最小二乘法确定系统最终参数.实例验证结果表明,改进GM(2,1)模型具有更高的预测精度.     

基于遗传算法优化的LS-SVM模型的应用研究

文章介绍了最小二乘支持向量机及遗传算法的原理,利用遗传算法优化参数后的最小二乘支持向量机建立四川省天然气消费量的时间序列预测模型.并利用两个性能指标将其与BP神经网络模型进行了对比,结果表明,在样本有限保证一定精度的情况下,遗传算法优化参数后的最小二乘支持向量机模型的范化能力较强,能够利用该模型对四川省天然气消费量进行预测,并在最后利用该模型预测2007～2009年四川省天然气消费量.