导读:本文包含了可加方法论文开题报告文献综述及选题提纲参考文献，主要关键词:可加风险模型,Copula模型,Ⅰ型区间删失数据,相依删失
可加方法论文文献综述
赵慧,崔琪,孙建国[1]（2019）在《可加风险模型下相依Ⅰ型区间删失数据的一个Copula推断方法》一文中研究指出可加风险模型是生存分析中一类重要的回归模型,许多学者对该模型进行过研究.但是针对相依Ⅰ型区间删失数据的研究却非常少,且已有的研究都假设删失时间与寿命之间的关联系数已知.显然,该假设在实际中未必成立.针对此问题,本文放松这一假设,提出一种新的基于Copula的方法对可加风险模型下相依Ⅰ型区间删失数据进行回归分析,给出参数部分估计量的渐近性质,通过数值模拟检验所提方法在有限样本下的表现,并进行实例分析.(本文来源于《中国科学:数学》期刊2019年09期）
王冠伟,张春霞,殷清燕[2]（2019）在《RS-BART:一种提升贝叶斯可加回归树预测性能的新方法（英文）》一文中研究指出在有监督学习的任务中,任何方法的主要目标是对未来数据进行准确的预测.作为梯度boosting算法的贝叶斯版本,贝叶斯可加回归树(Bayesian additive regression trees,BART)模型在此方面具有巨大潜力.但是,BART得到的关注远远低于随机森林和梯度boosting算法.为扩展BART的应用范围,文中首先对BART模型作了较为详尽的综述.考虑到BART在高维情况下会出现过拟合,本文提出了RS-BART方法以提高其预测性能.RS-BART首先对所有预测变量根据其相对重要性排序,然后使用重要性度量训练一些低维或中等维度的BART模型,将其预测结果平均或投票来得到最终的预测结果.基于模拟和实际数据的试验结果表明,与一些最先进的方法 (如随机森林、boosting和BART)相比,RS-BART具有更好或基本相当的预测性能.因此,RS-BART可以作为用于解决实际应用中高维且稀疏预测任务的一种有效工具.(本文来源于《工程数学学报》期刊2019年04期）
顾东娅[3]（2018）在《由可加噪声驱动的随机微分方程的谱元方法》一文中研究指出求解微分方程的数值方法可以分为局部方法和全局方法.例如,有限差分方法和有限元方法是局部方法,适用于复杂几何区域问题;而谱方法则是全局方法,具有高精度.谱元方法融合了有限元方法的思想,在增强方法区域适应性的同时,也保持了高精度,结合了全局方法与局部方法的优点.我们在本文中使用谱元方法来求解由可加噪声驱动的随机微分方程.对于由白噪声驱动的随机微分方程,我们首先用分段常数随机过程来逼近白噪声,并给出其正则性估计.其次,根据弱形式,提出Galerkin谱元格式来求解相应的随机微分方程,同时相应的误差估计也在本文中给出.最后,我们列举出了误差结果,数值结果表明了所提方法的有效性.关于由彩色噪声驱动的随机微分方程,我们首先用一个抽象的数学模型来模拟彩色噪声,再运用谱元方法来数值求解相应的随机微分方程,并得出与之相对应的误差估计.最终,在本文中展示出与理论分析相吻合的误差结果,误差结果证明了所提格式的高精度.(本文来源于《江苏师范大学》期刊2018-06-01）
陈子岚[4]（2018）在《基于广义可加模型的半监督学习方法》一文中研究指出在当今的大数据时代下,半监督学习方法作为利用无标记数据进行学习的主流技术,在许多应用中发挥了重要的作用。然而,传统半监督学习方法的理论研究和实证分析大多是在随机缺失假设下进行的,即要求有标记数据和无标记数据来自于同一分布,但这在现实生活中是很难满足的。例如在商业银行发放房屋信用贷款问题中,在不同的地区,文化和风俗习惯的不同很有可能使个人的房屋信贷情况有很大的差异;再比如,不同时期人们的信贷情况也有可能随着国家政策或个人家庭收入情况的改变而表现出差异。在这种情况下,若再使用传统的半监督学习方法进行训练,反而可能造成很大误差。本文首先对传统的半监督学习方法进行了归纳概括,分析了各个方法存在的优势、不足以及各自适用的场合,进而针对上述不足,提出了一种新的半监督学习方法——基于广义可加模型和Group Lasso惩罚的半监督学习方法。和传统半监督学习方法一样,该方法将同时利用有标记样本和无标记样本,并对其施加Group Lasso惩罚,最后用块坐标下降算法同时实现参数的估计和变量的选择。本文对提出的新方法进行了模型说明和详细的算法推导,在此基础上,就生活中数据间可能存在的多种关系,将我们的半监督学习方法在多种情形下进行了模拟计算,以分类误差、真阳性率、错误发现率作为指标,对我们的半监督学习方法和监督的Group Lasso模型的预测能力和变量选择能力进行了对比。模拟结果表明,总体上来说,我们提出的新的半监督学习方法在各个方面的表现均显着优于监督的Group Lasso模型,特别是在有标记样本和无标记样本的真实函数不同时优势最为明显。最后,本文对该方法在房屋信用贷款风险评估领域的应用展开研究。结果表明,当存在无关变量,并且有标记样本和无标记样本来自不同分布时,我们的新的半监督学习方法在变量选择、结果预测以及模型稳健性上的表现均较为出色,并一致优于监督的半参数(Semi-parametric)Group Lasso和普通的Group Lasso模型。(本文来源于《厦门大学》期刊2018-04-01）
刘志坚[5]（2017）在《高维数据下半参数可加危险率模型中基于ISIS的变量选择方法及其应用》一文中研究指出目的本文主要介绍高维数据下半参数可加危险率模型中基于ISIS的变量选择方法,并探讨AHAZISIS模型,AHAZLASSOISIS模型,AHAZENISIS模型,AHAZSSCADISIS模型在高维数据生存分析中的优劣。从而揭示死亡或其他生存结局发生的时间与基因表达之间的关系,从基因层面上为疾病的诊疗和预后以及改进治疗方案提供依据。方法介绍AHAZISIS模型,AHAZLASSOISIS模型,AHAZENISIS模型和AHAZSSCADISIS模型的基本方法原理。针对生物信息学高维度,强相关,小样本量的数据特征进行数据模拟,并比较四种模型在不同模拟数据下的表现情况。最后利用来源于TCGA的前列腺癌数据进行实证研究。结果(1)各种模拟数据情形下,叁种初次惩罚函数的模拟结果在一致性和精确性的表现上差别不大。(2)各种数据情形下,四种再次惩罚函数在一致性方面OS-SCAD表现最好,SSCAD次之,Lasso第叁,EN表现最差;而在精确性方面,OS-SCAD和SSCAD较好,Lasso次之,EN表现最差。(3)各种数据情形下,再次惩罚函数SSCAD的不同steps在一致性方面,steps=1表现最好,steps=2,3,4,5比较接近;在精确性方面,steps=1表现最差,steps=2,3,4,5比较接近。(4)叁种初次惩罚函数,四种再次函数以及再次惩罚函数SSCAD的不同steps在精确性方面与协变量相关系数大小呈负相关,即相关系数较小则精确性高,反之精确性则低。(5)AHAZISIS模型、AHAZSSCADISIS模型在实证研究中筛选出基因数目少,模型可解释性较好。根据log-rank检验的p值大小,AHAZISIS模型、AHAZSSCADISIS模型在实证研究中预测能力方面表现较好。结论在模拟研究和实证研究中,各模型表现一致。AHAZISIS模型和AHAZSSCADISIS模型的模型解释性较好,估计精确性也较高,是处理高维度、强相关、小样本量的数据比较可靠的模型。而AHAZLASSOISIS模型和AHAZENISIS模型在处理高维度、强相关、小样本量的数据时表现较差,尤其是AHAZENISIS模型可解释性最差且估计精确性也最差。(本文来源于《重庆医科大学》期刊2017-05-01）
张栋陈[6]（2017）在《可加空间自回归模型的估计方法和变量选择方法的研究与应用》一文中研究指出在空间计量经济学领域,空间自回归模型有着很重要的地位。该类模型自从被提出以来就被很多人知晓并且被应用于各行各业。在这个空间数据呈现出爆炸式增长的时代,该类模型有着非常广泛的应用前景。传统空间自回归模型认为所有回归变量对因变量的影响都是线性影响。这就使得该模型的应用范围具有一定的局限性,显然,当有对因变量的影响效应是未知的或者是非线性的回归变量存在时,该模型是不适用的。如果把这些与因变量之间实际是非线性关系的自变量都作为模型中的线性部分,就很有可能会导致因变量的估计误差增大。这是传统空间自回归模型的一大缺点。为了弥补该缺陷,本文创新性地提出了可加空间自回归模型并且提出了针对该模型的估计方法。然后,将该估计方法推广到可加部分线性空间自回归模型的估计中。蒙特卡洛模拟研究表明:在运用所提估计方法对预先设定好的可加空间自回归模型进行估计时,对于模型中的参数部分能够取得良好的估计效果,估计得出的参数具有一定的准确性;对于模型中的非参数部分能够取得良好的拟合效果,较为准确地展现出各回归变量与因变量之间的函数关系。此外,本文还创新性地提出了一种针对可加空间自回归模型的变量选择方法并将该变量选择方法推广到可加部分线性空间自回归模型的变量选择中。该变量选择方法不仅能够起到变量筛选的作用,还能够起到模型选择的作用,判断出各自变量对因变量的具体影响(包括:线性影响、非线性影响、无影响)。蒙特卡洛模拟研究表明:该变量选择方法起到的变量筛选作用明显,较为准确地识别出了各自变量对因变量的具体影响。最后,本文将由可加空间自回归模型的估计方法和变量选择方法推广得出的可加部分线性空间自回归模型的估计方法和变量选择方法运用于波士顿房价数据集。首先,运用估计方法建立了以房价中位数为因变量,以除经度和纬度以外的其余变量为自变量的可加部分线性空间自回归模型并进行了模型预测。然后,运用变量选择方法对由波士顿房价数据集全集建立的可加部分线性空间自回归模型进行了模型选择,识别出了各自变量对因变量的具体影响。(本文来源于《北京工业大学》期刊2017-05-01）
巩增泰,雷文婧[7]（2016）在《基于σ-λ律非可加测度的移动加权平均方法》一文中研究指出借助事先给定的权重向量,利用非可加测度σ-λ律,在假设已有时间点的结果或数据相互联系的基础上(包括数据相互独立和可列可加的情形),将移动加权平均的计算转化为基于非可加测度的Choquet积分,通过所建立的Choquet积分卷积公式,提出和研究了基于σ-λ律非可加测度的移动加权平均原理,讨论了其计算方法和算法实现.(本文来源于《兰州大学学报(自然科学版)》期刊2016年05期）
郑琪琪,纪培胜[8]（2016）在《一般可加性柯西方程的稳定性——不动点方法》一文中研究指出Jung利用直接法研究了一般可加性柯西方程f(x_0+∑mj=1a_jx_j)∑mi=1b_if∑mj=1aijxij)的稳定性,其中E_1是复赋范线性空间,E_2是复Banach空间,f是E_1到E_2的映射,利用不动点方法证明一般可加性柯西方程在复Banach空间上的稳定性。(本文来源于《青岛大学学报(自然科学版)》期刊2016年03期）
李岩岩[9]（2016）在《SIR降维方法与半参数可加回归的应用研究》一文中研究指出随着信息技术的发展和海量数据的出现,在经济、金融和医学等领域涌现了大量的高维数据。传统的统计方法在处理高维数据时会碰到诸多问题,近年来发展的非参数模型在分析高维数据时也会遭遇维数灾难问题。因此,统计学界提出了一系列降维方法,如切片逆回归(sliced inverse regression,SIR)、切片平均方差估计、投影追踪回归等。SIR降维方法能够有效地处理非正态高维数据,并且简便易操作。SIR降维方法的基本思想:先通过逆回归把高维数据投影到低维空间后寻找能够反映高维数据结构或特征的投影,由此提取高维数据的有效成分并做进一步的回归分析。与其他降维方法相比,SIR降维方法在实际问题中更易推广和应用。本文不仅采用SIR降维方法分析了重庆市粮食产量的降维问题,而且利用SIR降维方法研究了2001年到2014年中国的商品房价格问题。利用SIR方法对高维数据降维后,需要对降维后的变量作回归分析。传统的线性回归分析只能拟合线性关系,而实际数据中经常存在各种各样的非线性关系。为了更准确的探讨实际数据存在的真实关系,本文不仅采用线性回归拟合降维后重庆市粮食产量的线性回归关系,而且采用半参数可加模型来拟合降维后中国商品房价格问题内在的线性关系和非线性关系。半参数可加模兼顾了参数模型和非参数模型的优点,不仅建模灵活,而且解释能力强。该模型是近年来理论发展迅速的半参数模型,但是在实际问题中的应用还不够,亟待数据分析工作者做进一步的应用研究。因此,本文利用半参数可加回归重点探讨了中国商品房价格隐含的线性和非线性关系。(本文来源于《重庆工商大学》期刊2016-05-18）
常志朋,程龙生,刘家树[10]（2016）在《基于马田系统的2可加Choquet积分多属性决策方法》一文中研究指出在实际决策问题中,决策属性间往往存在一定的交互作用,而传统决策方法并不能有效处理。针对这种情况,提出了一种基于马田系统和2可加Choquet积分集成算子的多属性决策方法。2可加Choquet积分集成算子是在2可加模糊测度和Choquet积分算子的基础上推导而得,由单个属性的Shapley值和两两属性间的交互指标构成。为了计算Shapley值,首先提出了一种基于马田系统的属性集重要程度测度方法,并给出了合理性分析,然后根据属性集中的所有属性在决策过程中应表现出积极的合作关系来优化单个属性的全局重要程度,最后将单个属性的相对重要程度和全局重要程度进行融合,得到单个属性的Shapley值;对于交互指标的计算,根据无偏好决策方案集在相同约束条件下应平等竞争的原理,构建了基于多目标的交互指标优化模型。最后基于所得到的Shapley值和交互指标对各候选方案的评价信息进行集成。实例验证结果表明该方法是可行的,能够处理属性间存在交互作用的大规模决策问题。(本文来源于《管理工程学报》期刊2016年01期）
可加方法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在有监督学习的任务中,任何方法的主要目标是对未来数据进行准确的预测.作为梯度boosting算法的贝叶斯版本,贝叶斯可加回归树(Bayesian additive regression trees,BART)模型在此方面具有巨大潜力.但是,BART得到的关注远远低于随机森林和梯度boosting算法.为扩展BART的应用范围,文中首先对BART模型作了较为详尽的综述.考虑到BART在高维情况下会出现过拟合,本文提出了RS-BART方法以提高其预测性能.RS-BART首先对所有预测变量根据其相对重要性排序,然后使用重要性度量训练一些低维或中等维度的BART模型,将其预测结果平均或投票来得到最终的预测结果.基于模拟和实际数据的试验结果表明,与一些最先进的方法 (如随机森林、boosting和BART)相比,RS-BART具有更好或基本相当的预测性能.因此,RS-BART可以作为用于解决实际应用中高维且稀疏预测任务的一种有效工具.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
可加方法论文参考文献
[1].赵慧,崔琪,孙建国.可加风险模型下相依Ⅰ型区间删失数据的一个Copula推断方法[J].中国科学:数学.2019
[2].王冠伟,张春霞,殷清燕.RS-BART:一种提升贝叶斯可加回归树预测性能的新方法（英文）[J].工程数学学报.2019
[3].顾东娅.由可加噪声驱动的随机微分方程的谱元方法[D].江苏师范大学.2018
[4].陈子岚.基于广义可加模型的半监督学习方法[D].厦门大学.2018
[5].刘志坚.高维数据下半参数可加危险率模型中基于ISIS的变量选择方法及其应用[D].重庆医科大学.2017
[6].张栋陈.可加空间自回归模型的估计方法和变量选择方法的研究与应用[D].北京工业大学.2017
[7].巩增泰,雷文婧.基于σ-λ律非可加测度的移动加权平均方法[J].兰州大学学报(自然科学版).2016
[8].郑琪琪,纪培胜.一般可加性柯西方程的稳定性——不动点方法[J].青岛大学学报(自然科学版).2016
[9].李岩岩.SIR降维方法与半参数可加回归的应用研究[D].重庆工商大学.2016
[10].常志朋,程龙生,刘家树.基于马田系统的2可加Choquet积分多属性决策方法[J].管理工程学报.2016