1) generalized regression estimator
广义回归估计
1.
The proposed model-calibration estimators can handle any linear or nonlinear working models and reduce to the generalized regression estimators in the linear model case.
建议的模型校正估计可以处理任何线性或非线性的工作模型,且在线性模型的情形下变为广义回归估计。
2) Regression estimate
回归估计
1.
A comparative study of systematic sampling and regression estimate for controlling total volume was conducted.
结果显示,回归估计可充分利用抽样调查与小班调查的综合信息,提高控制二类调查蓄积量的精度,提高成果质量。
2.
Through combining the advantages of field theory with adaptive resonance theory and contraposing the characteristics of regression estimate problem, a novel neural network regression estimate algorithm FTART3 is proposed in this paper.
结合自适应谐振理论和域理论的优点 ,针对回归估计问题的特性 ,提出了一种新型神经网络回归估计算法 FTART3。
3.
the principal component analysis and regression estimate.
采用主分量分析与回归估计相结合的方法，研究近３５年来江苏沿海气温变化对北半球增暖的响应状况。
3) regression
[英][rɪ'ɡreʃn] [美][rɪ'grɛʃən]
回归估计
1.
The basic ideas of SVM for pattern recognition and regression are introduced.
基于统计学习理论的支持向量机(SVM)是一种新型的机器学习方法,描述了SVM在模式识别和回归估计中的基本思想。
2.
A support vector machine for regression is presented.
介绍机器学习的表示方式,分析和比较机器学习中经验风险最小化原则和结构风险最小化原则,引出用于回归估计的支持向量机,并用数学方式阐述其基本思想,讨论支持向量机技术发展中存在的主要问题。
3.
Support Vector Machine (SVM) for regression has recently attracted growing research interest due to its obvious advantage such as nonlinear function approximation with arbitrary accuracy, and good generalization ability, unique and globally optimal solutions.
用于回归估计的支持向量机方法以可控制的精度逼近非线性函数,具有全局最优、良好泛化能力等优越性能,得到广泛的研究。
4) Regression estimator
回归估计
1.
We give the approximation formulas of the variance of the sample regression estimator for a population mean and its saymptotically non-biased estimator in mult-stage sampling.
讨论多阶段抽样回归估计及其样本量选择问题 。
2.
Some troubles emerge when we use regression estimator in such a case:in a continuous survey research,when the prior sample and the present sample are independent and they have different elements,we can not compute the regression coefficient.
作连续调查研究抽样时经常用到回归估计。
5) regression estimation
回归估计
1.
Fuzzy regression estimation based on support vector machine;
基于支持向量机的模糊回归估计
2.
The Bounds of a Kind of Regression Estimation Problem on Sugeno Measure Space
Sugeno测度空间上的一类回归估计问题的界
3.
On the basis of the normal support vector machine for regression estimation,a new learning algorithm is presented.
本文对用于回归估计的标准支持向量机加以改进,提出了一种新的用于回归估计的支持向量机学习算法,针对各样本重要性的差异,给各个样本的惩罚系数和误差要求赋予不同权重,并利用加权支持向量回归机的理论及其算法构建水质预测模型。
6) generalized regression circle
广义回归圆
补充资料：广义最小二乘估计
用迭代的松弛算法对线性最小二乘估计的一种改进。线性最小二乘估计在模型误差为相关噪声时是有偏估计，即其估计值存在偏差。这时采用广义最小二乘估计能获得较精确的结果。
假设所讨论的单输入单输出系统的差分方程模型是
式中{uk}和{yk}分别是输入和输出序列：和是算子多项式,它们的系数是需要通过估计来求出的未知数;z-1是单位延迟算子；{ek}是误差序列，它是零均值平稳相关噪声序列。为了进行广义最小二乘估计可以从形式上把ek变换成，这里，它的系数也是未知的。如果{ek}具有有理谱密度,则可把{εk}当作白噪声序列来处理。这样就把系统模型变成
相应的估计准则是
广义最小二乘估计就是使估计准则J为极小的参数估计。多项式A(z-1)、B(z-1)和C(z-1)的系数都是未知的,所以不能用一个线性算法获得广义最小二乘估计。
广义最小二乘估计采用迭代的松弛算法：先行固定C(z-1)，估计A(z-1)和B(z-1),使J 趋于极小；然后固定A(z-1)和B(z-1),估计C(z-1),使 J 趋于极小。如此反复迭代，直至估计值收敛。这时每步只进行简单的线性最小二乘估计运算，迭代的初值取扗(z-1)=1。
广义最小二乘估计算法的估计精度高，已得到应用并获得不少成果。它的缺点在于：当信噪比较小时,J可能有多个局部极小点，估计结果不能保证收敛到全局最小点，即参数真值；它的计算量也比线性最小二乘估计增加很多。
这种算法也可推广到多输入多输出系统，并且有相应的近似递推估计算法。当误差{ek}为正态噪声序列时，这种算法还可以解释为极大似然估计的松弛算法。
参考书目
G.G.哥德温、R.L.潘恩著，张永光、袁震东译：《动态系统辨识：试验设计与数据分析》，科学出版社，北京，1983。(G.C.Goodwin and R.L.Payne，Dynamic System Identification：Experiment Design and Data Analysis, Academic Press, New York,1977.)
假设所讨论的单输入单输出系统的差分方程模型是
式中{uk}和{yk}分别是输入和输出序列：和是算子多项式,它们的系数是需要通过估计来求出的未知数;z-1是单位延迟算子；{ek}是误差序列，它是零均值平稳相关噪声序列。为了进行广义最小二乘估计可以从形式上把ek变换成，这里，它的系数也是未知的。如果{ek}具有有理谱密度,则可把{εk}当作白噪声序列来处理。这样就把系统模型变成
相应的估计准则是
广义最小二乘估计就是使估计准则J为极小的参数估计。多项式A(z-1)、B(z-1)和C(z-1)的系数都是未知的,所以不能用一个线性算法获得广义最小二乘估计。
广义最小二乘估计采用迭代的松弛算法：先行固定C(z-1)，估计A(z-1)和B(z-1),使J 趋于极小；然后固定A(z-1)和B(z-1),估计C(z-1),使 J 趋于极小。如此反复迭代，直至估计值收敛。这时每步只进行简单的线性最小二乘估计运算，迭代的初值取扗(z-1)=1。
广义最小二乘估计算法的估计精度高，已得到应用并获得不少成果。它的缺点在于：当信噪比较小时,J可能有多个局部极小点，估计结果不能保证收敛到全局最小点，即参数真值；它的计算量也比线性最小二乘估计增加很多。
这种算法也可推广到多输入多输出系统，并且有相应的近似递推估计算法。当误差{ek}为正态噪声序列时，这种算法还可以解释为极大似然估计的松弛算法。
参考书目
G.G.哥德温、R.L.潘恩著，张永光、袁震东译：《动态系统辨识：试验设计与数据分析》，科学出版社，北京，1983。(G.C.Goodwin and R.L.Payne，Dynamic System Identification：Experiment Design and Data Analysis, Academic Press, New York,1977.)
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条