城市居民出行次数变权预测方法

传统居民出行生成次数采用线性回归分析现状数据,建立居民特征变量与出行次数间的关系,但并未区分样本权重,预测结果受样本点波动影响较大。因此,论文考虑对不同的样本点施加不同权重,以区分不同样本点对预测结果的影响程度,并以最小二乘参数估计法为基础,采用Robust估计中的Welsch方法构造样本点权重值,通过迭代运算确定样本权重系数,进而建立样本权重变化的预测方法。研究表明,变权预测方法可应用于样本量大、变量众多,并难以准确识别样本有效性的情况。预测结果有效地避免了数据波动对预测结论的干扰,可更贴近居民出行次数的变化趋势。     

基于支持向量机的线性模型鲁棒参数估计

探讨了基于支持向量机的线性系统参数估计问题,利用最小二乘支持向量机来估计自回归滑动平均模型（ARMA）的参数,并在理论上证明了在高斯噪声下比最小二乘估计方法具有更小的均方差;随后利用标准支持向量机来估计ARMA的参数,并利用它的性质从理论上分析了其对大噪声和小噪声的鲁棒性．仿真结果表明支持向量机方法能有效克服样本中的异常点和噪声对参数估计的干扰,比最小二乘估计方法具有更好的鲁棒性．     

考虑不同路面附着情况的整车质量估计方法研究

利用带有遗忘因子的递推最小二乘估计,实现了一种整车质量估计方法,该方法考虑了不同路面附着情况对整车质量估计过程的影响,通过引入路面特征系数,实现了算法对不同路面附着情况的适应。基于Matlab/Simulink编写辨识算法并在CarMaker中完成仿真测试,测试结果表明所实现的辨识方法对整车质量估计的精度可控制在10%之内。此外,由于递推最小二乘估计方法和卡尔曼滤波方法之间的内在联系,通过推导表明了递推最小二乘估计方法是状态转移矩阵为单位阵的卡尔曼滤波方法的特殊形式,为2种估计方法的工程应用形式及调试过程提供了更全面的信息。     

非高斯AR序列参数的加权最小二乘估计

加权最小二乘估计是一种兼具精度与速度的非高斯自回归序列参数估计的优秀算法.使用混合高斯自回归模型描述估计问题之后,又从最大似然估计非线性方程组出发导出了与之近似的加权最小二乘估计线性方程组,并分析了加权函数的性质,给出了具体的两步实现算法.探讨了加权函数获得与激励方差估计2个细节问题,给出了一组实例.     

乘性随机误差模型的最小二乘平差与精度评定

针对乘性随机误差模型参数估计问题,在现有研究的基础上,应用最小二乘理论,讨论了普通最小二乘、加权最小二乘和偏差改正加权最小二乘3种参数平差方法;导出了这3种基于最小二乘原理的参数平差方法的精度评定公式;给出了观测值平差值与观测值改正数的精度评定公式以及大地测量各有关量间的互协方差矩阵;构造了3种最小二乘平差方法相应的单位权方差估计.数据模拟计算结果表明:偏差改正加权最小二乘适用于乘性误差模型的大地测量数据处理,具有二阶近似无偏性;根据模拟数据计算的3种方法参数估计的单位权中误差分别为1.964 8、0.999 8和0.980 7.      

膨胀土表面裂隙参数数据处理方法研究

利用最小二乘和偏最小二乘回归方法,对比分析了干湿循环作用下膨胀土表面各裂隙参数之间的关系,并导出了相应的公式.结果表明;偏最小二乘回归方法比最小二乘法的拟合参数关系更接近实测值,在自变量具有强相关性的情况下建立的计算模型,更为有效地解决变量间多重共线性问题,对岩土参数问题的分析具有指导意义.     

基于最小二乘配置法的GPS高程转换

局部地区GPS高程拟合已成为理论研究的热点.在不考虑重力场模型的情况下,使用各种数学方法,由已知点的高程异常内插未知点的高程异常,是实践中使用较多的方法.但一般的拟合方法都是只考虑高程异常变化的趋势性或随机性,而没有将二者结合起来.最小二乘配置理论将局部地区的高程异常分为趋势和随机两部分,趋势性是所有点共同的变化,随机部分用于推估未知点的随机量,并对趋势性进行最小二乘平差.故而这种方法在理论上更加完善.本文根据某矿区81个已知数据点进行了计算实验,并与曲面拟合法、多面函数法和加权平均法的计算结果进行了比较.     

回归参数的部分有偏改进估计

就回归参数的最小二乘估计提出一种部分有偏压缩估计方法，分析和讨论了这种方法的性质和特点，结果说明了这种方法可以有效的改进估计矩阵接近奇异时影响参数精度的缺点。     

基于路段检测器布局的短期交通流预测模型

通过分析路段上各点以及交叉口之间交通流的内在联系,利用连续性和相关性原理,建立基于检测器布局的短期交通流预测模型.探讨了检测器布局的一般方法,阐述了布局位置对交通流预测结果的影响.根据路段上游、下游2点的检测器数据可建双点预测模型,能用于隧道、桥梁等特殊路段的短期交通流预测.根据路网上多个检测点的数据,可建立多点预测模型,各检测点的权重用F-AHP法确定,模型系数矩阵用最小二乘法标定.以重庆市某路段的交通量预测为例,分别用双点预测法和多点预测法进行了预测,并对预测效果进行了分析和比较.     

非高斯AR序列参数的最大似然估计

自同归模型参数的最小二乘估计应用于非高斯数据,有效性便不复存在,而充分利用了概率密度信息的最大似然估计却仍然是该问题的有效估计.使用混合高斯自回归模型描述该类估计问题之后,讨论了其克拉美-罗限,导出了非高斯自回归序列参数的最大似然估计,给出Newton-Raphson迭代解法,并凡探讨了如何加快这一迭代算法的收敛和如何将估计算法应用于实际数据两个细节问题.最后给出一组仿真实例,对比检验了最大似然估计和最小二乘估计的效果.