一、关于记录值序列部分和的渐近正态性（论文文献综述）
巫一舟[1]（2021）在《在线EM算法及其在一类隐马尔科夫模型参数估计中的应用》文中认为隐马尔科夫模型广泛用于金融学、生物学、统计学以及计算机科学等多个学科领域,在理论和应用中有着重要的意义。其中,利用隐马尔科夫模型研究金融市场（比如股票价格）并对其走势做出预测,是目前许多学者关心的热门问题。因此,根据观测数据估计隐马尔科夫模型的参数,对指导实际工业生产、控制与决策有着至关重要的作用。本文主要研究隐马尔科夫模型的参数估计问题,即根据观测数据估计模型中的参数。由于其中的隐变量是无法观测的,解决此问题的经典算法是期望最大化（EM）算法。然而,由于传统的离线EM算法每次迭代都要对所有样本进行计算和优化,计算效率低、占用内存大且不能在线更新,目前诸多大数据的场景给离线EM算法带来了较为严峻的挑战。为解决离线EM算法在此类场景下存在的问题,本文研究了一种分块在线EM算法,根据批次观测数据实时地更新参数的估计,因而更适用于流式数据、高频数据等大数据应用场景。本文所做的主要工作及创新之处总结如下:1.对一般隐马尔科夫模型提出一种分块在线EM算法,并应用于有限高斯混合模型以及指数族分布模型的参数估计。针对不同特点的隐马尔科夫模型,本文分别对该模型给出其Q函数的递推计算方法,并给出分块在线EM算法分别在两种模型的参数估计问题中的具体算法流程。2.给出在线EM算法的数值实验以及实证分析,论证其可行性和有效性。通过上述两种隐马尔科夫模型的具体例子,即双高斯混合模型以及带高斯噪声的有限状态马尔科夫链模型的数值实验,说明该在线算法在模型的参数估计问题中的可行性及准确性。同时,通过在线EM算法与离线EM算法在统一模型上的实验结果对比,论证本文所提出的算法的优势。最后,通过实证分析,说明该算法在实际场景中的运用。
盛丹姝[2]（2021）在《若干自回归模型的参数估计及其应用》文中研究表明本文主要研究了整数值线性自回归过程、门限整数值自回归过程以及随机系数自回归过程的建模和参数估计问题.首先,对于整数值线性自回归（integer-valued autoregressive,INAR）过程,我们采用分位回归方法给出过程的参数估计,讨论了估计量的渐近性质.利用数值模拟验证了估计方法的有效性与稳健性.并将其应用于失业人口数据中,进一步验证了估计方法的可靠性.其次,基于二项稀疏算子和负二项稀疏算子,我们提出一个一阶门限整值自回归过程（BNBTINAR（1））.讨论了该过程的严平稳性、遍历性、三阶矩的存在性等统计性质.给出了该模型参数的条件最小二乘估计和条件极大似然估计,同时给出了估计量的相合性与渐近正态性.对于门限变量的估计,我们给出一种新的估计算法（SIS算法）.并应用数值模拟以及新冠病毒数据证明了估计量的有效性以及模型的优越性.最后,我们提出了一个随机系数由数据和协变量驱动的随机系数自回归（RCAR（1））过程,并给出过程的遍历性条件.同时研究了RCAR（1）过程的条件最小二乘估计、条件极大似然估计和条件分位回归估计,以及三种估计量的相合性与渐近正态性.通过数值模拟验证了估计量的有效性与稳健性.并用该模型拟合了一组恒生指数数据,验证了该模型的有效性.
徐雪丽[3]（2021）在《基于个体识别的动物生态模型的复合似然推断》文中进行了进一步梳理动物生态学（animal ecology）与动物学、生态学密切联系,是现代生态学的重要内容之一。数学和统计的思想与方法在动物生态学中有着广泛的应用,在该领域的发展过程中发挥了巨大的推动作用。动物个体识别（animal individual identification）是通过检验动物个体的唯一性标志,从而判断前后两次或多次被观测的个体是否属于同一个体。在动物生态数据收集过程中,动物个体识别技术的作用与优势日益突出。基于动物个体识别数据,我们通过建立适当的数学模型,能够挖掘出研究区域内相关动物群体的种群数量、出生率和死亡率、运动/迁移模式、以及动物社会结构等丰富的动物生态学信息。众所周知,似然函数,以及基于似然函数的极大似然估计、似然比检验等方法在统计推断中扮演着重要角色。但是,个体识别数据往往具有较为复杂的相关性结构（不同个体之间,不同时间点之间）,同时,还存在着数据缺失的问题（例如,我们无法观测到目标动物群体中所有个体）。个体识别数据的这些特点使得似然函数变得不再适用或者难以计算。自1988年Lindsay提出复合似然函数（composite likelihood function）以来,由于其在提升计算效率、处理高维数据、解决复杂数据结构问题等方面的优势,基于复合似然函数的方法在不同的研究领域得到了广泛应用,也为动物生态学数据模型提供了新的统计推断工具。在动物生态学研究中,滞后识别率（lagged identification rate,LIR）和滞后关系率（lagged association rate,LAR）是描述动物运动和社会结构的关键参数。本论文中,我们以研究滞后识别率和滞后关系率的两类模型为例,首先说明这两类模型均是以马尔可夫过程为基础,进而通过构造新的随机变量建立而成;然后,针对两类模型的统计推断,引入了复合似然函数的理论框架,并系统地研究了模型参数的极大复合似然估计（maximum composite likelihood estimators,MCLEs）的理论性质;最后,我们提出了基于复合似然函数的模型选择方法,并应用于滞后识别率和滞后关系率模型。本文的主要研究内容和贡献如下:1.首次将复合似然函数的理论框架引入到动物个体识别数据的统计推断中,说明了用于动物运动和社会结构分析的修正似然函数（modified likelihood）方法都能够被纳入此框架中,通过构造成对变量乘积形式的复合似然函数（pairwise product composite likelihood）,以实现滞后识别率和滞后关系率等参数的估计;2.在复合似然函数的理论框架下,给定适当的正则性假设条件,本论文证明了滞后识别率和滞后关系率两类模型参数的极大复合似然估计的收敛性和渐近正态性等理论性质,并在多种模型设置下,通过模拟数据实验研究进一步展示和检验参数估计的收敛效果;3.模型选择对于动物生态学研究至关重要。本论文基于构造的复合似然函数,提出了用于模型选择的复合似然信息准则（composite likelihood information criteria,CLIC）,CLICa和CLICb准则,并将其与一些常用的模型选择准则,包括AIC,BIC以及QAIC,进行比较。模拟结果显示,CLICa和CLICb准则的表现优于AIC,BIC和QAIC,能够以更大概率选择出正确的滞后识别率和滞后关系率模型;4.我们将复合似然函数方法应用于加拉帕戈斯群岛附近水域中雌性抹香鲸,以及加拿大新斯科舍海岸附近峡谷中北瓶鼻鲸的个体识别数据,进行滞后识别率和滞后关系率等参数的推断,并利用CLICa和CLICb准则进行模型选择。此外,本文还采用基于t-SNE的分类方法对两类鲸鱼的个体识别数据进行了分类。综上所述,本论文将复合似然函数引入到基于动物个体识别数据的动物生态学研究中,针对滞后识别率和滞后关系率两类模型构建复合似然函数并进行统计推断。我们系统地研究了复合似然函数的理论性质,证明了极大复合似然估计的收敛性和渐近正态性,并且提出了基于复合似然函数的模型选择方法。本论文的研究工作为基于动物个体识别数据的统计学推断提供了参数估计和模型选择的新思路与理论基础,对于动物生态学研究中其它类型数据,尤其是具有复杂相关性结构的数据分析也有着重要的参考价值。
袁亮亮[4]（2021）在《复杂数据结构下分位数回归的模型检验》文中认为随着计算机性能和通信技术的快速发展,我们在工业生产、生物医学及现代计量经济学等诸多领域都会遇到各种各样复杂且高维的数据.为了挖掘潜藏在数据背后的信息,比如研究某些因素对我们感兴趣变量的影响,我们常常会借助各种回归模型建立起相关因素之间的桥梁,然后基于假定的模型去做相应的统计推断.为了便于解释相关模型的分析结果,所假定的模型需要尽量简单,这往往需要大量先验知识的参与.如果人们怀疑最初假定的模型,抑或是原始的模型假定本身就是错误的,那么基于这样的模型得出的统计推断结果往往很难令人信服,所以有必要在做深入的统计推断前先对假定的现有模型做出合理的检验.参数分位数回归模型常用于给定协变量X后估计响应变量Y的条件分位数.与经典的均值回归模型相比,分位数回归对误差的分布要求较弱,并能在不同的分位数水平下提供响应的条件分布信息,这极大地加深了对数据的理解程度,从而促使了分位数模型的广泛应用.目前,已有大量文献研究了均值回归下的模型检验问题.然而,很难将这些方法直接扩展到分位数回归模型.因为在分位回归框架下,将不再是基于模型的残差构建相应的检验统计量,而是基于分位回归损失函数的次梯度函数做相应的检验.后面的理论分析将会看到,因这一点改变所带来的分析上的困难.同时,研究如何在高维数据下增强检验的功效,减少高维数据稀疏性对检验带来的负面影响也非常具有实用价值.此外,很少有学者研究缺失数据下高维分位数回归模型的检验问题.本文将针对这些问题展开相关研究.下面简要介绍本论文各部分的主要内容.本论文的第一章是引言,包括一些背景知识.首先,我们简要回顾了模型检验的一般方法,介绍了完全观测数据及响应变量随机缺失下分位数回归模型检验的研究现状.然后介绍了分位回归模型及其相关的系数估计方法.最后,考虑到充分降维方法对本文所提检验方法的重要性,我们介绍了几种易于使用的模型降维方法.特别地,对响应变量随机缺失时的完全情形辅助恢复（complete case assisted recovery,CCAR）方法进行了详细地介绍.本论文的第二章基于核光滑方法构建了用于参数单指标分位数回归的模型检验方法.为解决多元非参数估计中的维数灾难问题,充分利用模型所携带的降维信息,我们采用适用于分位数模型的充分降维技术来识别相应的降维子空间,并在该子空间中构造检验统计量.用这种方法构造的检验统计量类似于只包含一维协变量的局部光滑方法.在不同的分位数水平下,所提检验对全局备择假设是相合的,并能以较快的速度检测出不同于原模型的局部备择模型,而现有的局部光滑方法只有在协变量是单变量时才能实现.采用wild bootstrap方法近似检验的临界值,通过数值模拟和实际数据应用验证了所提方法的有效性.本论文的第三章研究了响应变量随机缺失时参数单指标分位回归模型的模型检验问题.采用缺失数据下的分位回归系数估计方法对模型中的系数进行估计.同时针对响应变量随机缺失的多维分位回归模型,提出了计算中心分位子空间的算法.基于中心分位回归子空间,构造了两个适用于响应变量随机缺失的模型自适应检验统计量,从而避免了维数灾难问题.在原假设和局部备择假设下,得到了检验统计量的渐近性质.结果表明,所提方法是相合的,并且能够检测到以Θ(n-1/2h-1/4)（Θ为表示同阶收敛速度的符号）的速度接近原模型的局部备择模型.借助wild bootstrap对检验的临界值进行校准,并给出了其渐近性质.随机模拟表明,在多维甚至高维协变量的情况下,所提方法在保持检验的水平和功效方面均优于现有的方法.对ACTG Protocol 175数据集进行分析,展示了检验方法的应用.在最后一部分,对本文的研究成果和结论进行了总结,并指出了今后的研究方向.本文关注参数单指标分位回归模型的模型检验问题,主要创新点如下:第一,在完全观测样本下,结合数据自身携带的降维结构,构建了能够自动适应不同模型的检验统计量,避免了高维数据中因局部光滑带来的维数灾难问题.同时,得出了所提检验统计量的极限零分布,并能快速检测出与原假设不同的局部备择假设.第二,当响应变量随机缺失时,给出了计算中心分位子空间的算法,研究了其大样本性质.基于缺失数据下的中心分位子空间,构建了两个适用于响应随机缺失的模型检验统计量,得到了它们在不同假设下的极限分布.第三,不同于均值回归背景下的模型检验方法,当观测数据中包含异常值或误差项不满足同分布假设时,本文中的检验统计量在检验的水平和功效方面仍具有良好的性能,随机模拟也验证了所提方法的稳健性.
刘宣[5]（2020）在《面板数据空间回归模型的变量选择》文中进行了进一步梳理信息技术的快速发展迎来了数据量的急剧膨胀,这些数据带来海量信息的同时也携带大量冗余信息,从而造成模型的不确定问题更加突出。因此,如何利用好已有数据,排除冗余信息,在众多的变量信息中选择显着变量构建统计模型是学界关心的热点问题之一。空间回归模型是空间计量经济学的主要实证模型,它可以描述数据的空间相依特性,解释空间聚集和溢出效应,对深入理解区域间的空间传导机制具有重要价值。虽然在过去的四十多年里,空间回归模型理论不断发展完善,但多数研究仍然停留在传统的估计和统计推断方法的考察上,对变量选择问题的研究相对滞后,客观上已难以满足实证应用的进一步需要。基于上述考虑,本文对尚未开始探讨的固定效应空间回归模型、随机效应空间回归模型以及具有稳健性的固定效应空间分位数自回归模型和随机效应空间分位数自回归模型的变量选择问题进行深入研究,具有重要的理论意义和实践价值。本文主要的研究内容和结论体现在以下三个方面:第一,固定效应空间回归模型和随机效应空间回归模型的变量选择研究。在固定效应空间回归模型的设定下,为避免固定效应随样本量增大而出现冗余参数问题,论文通过转换方法剔除固定效应,再结合拟似然函数和SCAD惩罚函数构建了该模型的惩罚拟似然函数方法来实现变量选择。在随机效应空间回归模型的设定下,虽然拟似然函数的结构更加复杂,但冗余参数问题不再出现,论文直接采用拟似然函数和SCAD惩罚函数构建了该模型的惩罚拟似然函数方法来实现变量选择。不过,为了有效选择变量和识别空间效应,两类模型均对回归系数和空间自回归系数分别给予了不同程度的惩罚。在上述基础上,论文还设计了新的算法解决了两类模型目标函数的非凸优化问题,以及给出了 BIC信息准则处理惩罚函数调节参数的选择问题。在一定的正则假设条件下,证明了所构建的惩罚估计量具有相合性、稀疏性和渐近正态性。数值模拟结果表明:有限样本环境中,惩罚拟似然方法表现良好,其变量选择精度随样本量的增加而提高,具有同时实现空间效应识别、自变量选择以及未知参数估计的特点,与理论结果一致。此外,模拟结果受不同空间效应强度和空间权重矩阵的影响较小,具有较强的稳健性。第二,固定效应空间分位数自回归模型和随机效应空间分位数自回归模型的变量选择研究。在固定效应空间分位数自回归模型的设定下,通过分位数工具变量法解决模型的内生性问题,结合分位数回归损失函数构建了自适应LASSO惩罚方法来实现变量选择。在随机效应空间分位数自回归模型的设定下,为改善模型估计的效果,以贝叶斯的视角审视随机效应的处理,再结合分位数工具变量法和分位数回归损失函数构建了自适应LASSO惩罚方法来实现变量选择。同样,为了有效选择变量和识别空间效应,两类模型均对回归系数和空间自回归系数分别给予了不同程度的惩罚。在上述基础上,还设计了新的算法解决了两类模型目标函数的优化问题,以及给出了 BIC信息准则处理惩罚函数调节参数的选择问题。在一定的正则假设条件下,证明了所构建的惩罚估计量具有相合性、稀疏性和渐近正态性。数值模拟结果表明:有限样本环境中,自适应LASSO惩罚方法表现良好,其变量选择精度随样本量的增加而提高,具有同时实现空间效应识别、自变量选择以及未知参数估计的特点,与理论结果一致。此外,模拟结果受不同分位点、空间效应强度、空间权重矩阵和扰动项的分布影响较小,具有较强的稳健性。第三,基于2007-2017年国内省域相关数据,根据所提出的面板数据空间回归模型的变量选择方法研究气候和生产条件对农业净收益的影响。实证结果表明:国内省域间农业净收益存在显着的空间相关性;农村人均用电量和受灾面积的影响可忽略不计;人均水资源、单位面积化肥施用量和平均气温具有正向影响;在低分位点,人均水资源的影响不明显,单位面积化肥施用量、农业机械化程度和人口密度的影响相对较大;随着分位点的增大,人均水资源的作用显着提升,而农业机械化程度、人口密度和平均气温的影响逐渐降低。
胡婷婷[6]（2020）在《基于联合记录值的两个威布尔总体的统计推断》文中研究指明本文基于观察到的下联合记录值,记录间时间和记录指标,研究了两个具有相同形状参数的威布尔（Weibull）总体的统计推断问题.首先,导出了模型中参数的条件极大似然估计（MLEs）.其次,考虑平方误差损失（SEL）函数下的Bayes估计.众所周知,Bayes估计的性能与先验分布的选择有关.通常,在模型中参数均未知的情况下,Bayes估计的一般做法是为参数指定一个一般联合先验.然而,基于一般联合先验对模型进行Bayes估计时,我们无法获得每个参数的边际后验分布的期望的明确形式,故而我们使用马尔可夫链蒙特卡洛（MCMC）方法和Gibbs算法来解决此问题.MCMC方法很有效,但是这种方法会导致计算复杂性.为了解决此问题并简化贝叶斯分析,本文同时讨论了另一种方法--Soland的方法.Soland方法是考虑了一系列联合先验分布,即为尺度参数指定共轭先验,而为形状参数指定离散先验,采用这种先验分布,我们推导出了模型中参数的Bayes估计量的显示表达式,达到了简化计算的目的.此外,文中还讨论了参数的置信区间估计问题.最后,利用MATLAB软件进行了数值模拟,计算并比较极大似然估计与Bayes估计的偏差和均方误差.结果表明本文讨论的两种Bayes估计方法都比较理想,且比极大似然估计方法效果好.
李气芳[7]（2020）在《相依函数型数据分析方法及其金融应用》文中研究指明随着社会科学技术的发展和信息存储技术的提高,越来越容易收集到函数型数据,但现有的大部分函数型数据分析（Functional Data Analysis,FDA）文献,都假设观测到的函数型数据服从独立同分布（i.i.d.）,并在此前提下进行统计分析。然而,像金融等领域的高频数据不仅是天然的函数型数据,另一个重要的特征是这些数据是相依的,即具有很强记忆性。如果用i.i.d.条件下的FDA方法直接对这些相依的函数型数据分析,必然会导致相关统计分析出现偏差。金融市场的高频交易数据,反映了金融市场的运行规律,影响着政府、企业和个人的行为决策。如何利用函数型数据分析方法客观、准确地刻画日内的价格、波动率等变化模式,及时、准确地发现高频数据的内在结构性变化,准确地对未来进行短期预测等都是十分重要的。本文针对以金融高频数据为代表的相依函数型数据,首先提出两种函数表示方法,并把这两种函数表示方法应用到函数假设检验、函数型数据线性回归模型估计以及混频数据分析中。具体来说,主要内容和创新点概括如下:（1）FDA的首要任务是把观测到的离散数据表示成函数,针对相依函数型数据,提出两种函数表示方法。第一种:已有文献利用长期协方差函数替换i.i.d.条件下的协方差函数来修正函数表示,但长期协方差函数的估计面临核函数和窗宽的选择;本文提出利用无截断Bartlett核来对长期协方差函数进行估计,避免选择核函数和窗宽,减少函数表示误差。第二种:提出基于残差协方差函数的函数表示方法,避免使用长期协方差函数;即首先利用自回归模型拟合相依函数型数据得到i.i.d.的残差函数,再用i.i.d.的残差函数估计得到无偏的协方差函数和函数主成分。两种数值模拟结果表明:本文提出的函数表示方法比现有的长期协方差函数表示方法以及i.i.d.条件下的协方差函数表示方法的函数表示误差都要小。利用2016-2018年沪深300股指1分钟高频数据进行实证分析,结果表明:本文提出的基于残差协方差函数的函数表示方法的误差最小。（2）已有文献只考虑利用函数主成分得分序列的长期协方差来修正i.i.d.条件下的均值函数变点检验统计量,而没有考虑函数主成分本身的估计偏差。于是本文提出利用长期协方差函数两步估计法对i.i.d.条件下的检验统计量进行改进:首先估计观测样本的长期协方差函数,得到更加准确的函数主成分;然后利用相依函数主成分得分序列的长期协方差对i.i.d.条件下的统计检验量进行修正。数值模拟结果表明:本文提出的长期协方差函数两步估计法的检验水平与名义水平更接近,检验功效比现有方法更高。对2013年上证180股指1分钟高频数据进行实例分析,结果表明:本文提出的长期协方差函数两步估计法能够正确识别出均值函数变点,而现有的检验方法明显漏掉2个均值函数变点。（3）提出利用无截断Bartlett核和Newey-West估计式对长期协方差函数进行估计,从而对i.i.d.条件下的均值函数相等检验统计量进行改进。数值模拟结果表明:本文提出的基于Newey-West估计式的检验方法的检验水平与名义水平更接近,检验功效比现有的长期协方差检验方法和i.i.d.条件下的检验方法都要高;基于无截断Bartlett核的检验方法比i.i.d.条件下的检验方法的检验功效高。对2018年沪深300和上证180股指1分钟和5分钟高频数据的累积收益率进行检验,结果表明:2018年沪深300和上证180股指1分钟和5分钟的累积收益率均值曲线相等,即这两个市场的投资收益水平相当。（4）函数型数据线性回归模型是研究函数型变量之间关系的一个重要工具。针对相依函数型数据,本文提出相依函数型数据线性回归模型,并把估计方法推广到二元及多元情形。两种数值模拟结果表明:不管是在回归系数函数估计误差还是在样本外预测误差上,本文提出的基于残差协方差函数的估计方法都比其他的估计方法要小。应用2016-2018年沪深300股指1分钟高频数据对开盘价进行预测,结果表明:本文提出的基于残差协方差函数的估计方法的样本外预测误差比其他的估计方法小很多。（5）混频数据抽样（Mixed Data Sampling,MIDAS）模型可以对不同频率的数据进行建模研究,而FDA方法也很适合用来分析混频数据,于是本文提出一元及多元部分相依函数型数据线性回归模型,为混频数据分析提供一种模型方法。数值模拟结果表明:FDA方法比MIDAS和MIDAS-AR（1）模型的样本外预测误差小。选择月度M2和PPI、日度原油价格对月度CPI进行样本外预测,结果表明:FDA方法比MIDAS和MIDAS-AR（1）模型的样本外预测误差小。
杜望[8]（2020）在《基于协整理论与卷积长短时记忆网络的机械故障预测研究》文中认为作为旋转机械的重要零部件,滚动轴承的稳定运行和可靠工作对旋转机械工作的稳定性和可靠性有着重要意义。轴承也是旋转机械中故障频发的零部件,对其开展故障趋势诊断和剩余使用寿命预测,在避免重大生产事故、保障设备和人员安全、降低设备维护成本和提高企业管理水平等方面有着不可估量的作用。如何正确诊断轴承故障趋势,进而准确预测其剩余使用寿命仍是目前故障诊断学科的热点和难点。本文基于振动信号及其时域特征,利用时间序列模型和深度学习相关理论,对滚动轴承的性能退化趋势和剩余使用寿命进行预测。本文主要内容如下:首先,简单介绍了机械故障方法的总体框架,进而综述了国内外旋转机械故障预测技术的研究现状,并指出了基于数据驱动的方法在机械故障预测中的优势及其应用前景。其次,阐述了关于移动平均自回归模型（ARMA）的三种传统时间序列分析模型。这些时间序列模型只能处理单通道平稳时间序列。为了提高预测结果的精确度,本文第二章对非平稳时间序列进行差分处理后,构建了ARIMA—KF模型。利用智能维护系统（IMS）滚动轴承试验平台采集的振动数据,证明了所提方法提高了传统ARIMA模型的预测精度。再次,为了同时处理多个非平稳时间序列变量,本章提出了基于协整理论和向量误差修正模型的机械故障预测方法。建立向量误差修正模型,需要多个特征变量均具有非平稳特性,且具有协整关系。本章首先从振动信号中提取出三个时域特征,并对其非平稳性和协整关系进行验证,然后建立了向量误差修正模型,并对预测结果出现的原因进行了分析和阐述。通过与ARIMA—KF模型进行对比,说明向量误差修正模型在提高预测精度的同时也简化了建模过程。最后,利用卷积神经网络强大的特征提取能力,长短时记忆网络可“记住”序列数据较长时期内的依赖关系且能在一定程度上避免梯度消失或梯度爆炸的关系,本章构建了堆叠式卷积长短时记忆网络模型来预测轴承性能退化趋势。实验结果表明,与单一的卷积神经网络或长短时记忆网络相比,该方法提高了轴承性能退化趋势的预测精度。
马朝忠[9]（2020）在《GNSS时间序列异常值探测方法研究及其应用》文中认为有效可靠的GNSS数据是精确定位、导航与授时的前提和基础,GNSS时间序列异常值的探测是提高数据可靠性的一个重要环节。本文主要致力于GNSS时间序列异常值探测方法及其应用的研究。基于ARIMA模型,提出GNSS时间序列异常值探测的Bayes方法、似然比方法、EM算法及其模型选择方法,并应用于卫星钟差数据处理及其BDS卫星三频周跳的探测与修复。本文的主要工作和创新点如下:1.提出了GNSS时间序列异常值探测的Bayes方法。运用Bayes统计学的理论和方法,从Bayes假设检验的角度提出了基于识别变量后验概率的GNSS时间序列异常值的探测模型和判别规则;从不同角度研究了ARIMA模型参数及识别变量的先验分布的确定方法;采用Gibbs抽样算法,提出了后验概率值的计算方法;将二次多项式模型和ARIMA模型相结合,构建了新的卫星钟差预报模型和异常值探测模型;随机选取GPS卫星4种不同类型的星钟,考察新方法的有效性,并与MAD方法进行了比较。2.提出了GNSS时间序列异常值探测的似然比方法及其成片异常值探测的抗掩盖与淹没算法。借鉴方差膨胀模型的思想,将异常值的扰动归入随机模型,运用似然比原理和方法,构建了异常值的探测模型和检验规则,将异常值的探测问题归结为假设检验问题;提出了GNSS时间序列异常值探测的似然比方法,推导了似然比检验的Score检验统计量;针对成片AO类异常值探测时易出现掩盖与淹没现象的问题,分析了成片异常值对异常值探测产生影响的机理及差分与逆差分对异常值探测产生影响的机理,提出了成片AO类异常值探测的新算法及成片异常扰动估计的方法,并将新方法应用于BDS卫星钟差数据的处理。3.提出了GNSS时间序列异常值探测的EM算法及两种改进算法。引入识别变量建立了基于ARIMA模型的异常值探测模型,并将识别变量视作隐藏变量,采用EM算法进行计算,实现了异常值的定位与定值;针对EM算法在GNSS异常值探测过程中系数矩阵易出现病态性的问题,分别运用有偏估计理论和正则化方法,对异常值探测的EM算法进行了改进,给出了相应的偏参数和正则化参数的确定方案,并应用于GPS和BDS卫星钟差数据的处理。4.提出了GNSS时间序列异常值探测的模型选择方法及其成片异常值探测的两阶段法。从模型选择的角度建立了GNSS时间序列异常值的探测模型,将异常值的探测问题转化为一个模型选择问题;提出了GNSS时间序列异常值探测的MDO度量标准,解决了异常值的定位、定值问题;提出了成片异常值探测的两阶段法及其异常值判定的标准;将新算法应用于GNSS卫星钟差数据处理,并在RMSEP、Mean和MAB三个指标下与常用的钟差异常值探测方法进行了比较。5.将新的异常值探测方法应用于BDS卫星三频周跳的探测与修复。针对三频无几何相位组合存在不敏感周跳组合,多次组合会增强数据相关性的现实问题,将本文提出的GNSS时间序列异常值探测的方法应用于BDS三频组合周跳的探测和修复;通过对孤立周跳、连续周跳、不同卫星随机周跳和多卫星多站点组合周跳的探测与修复实验,验证了四种新方法对于周跳探测的有效性、可靠性等优良性能。
陆海洋[10]（2019）在《复合分位数回归方法在国债风险时序模型中的应用》文中进行了进一步梳理基于时序分析的重要性及分位数回归估计的诸多优越性,将分位数回归系列估计方法运用到时间序列模型中,探讨针对时序模型更有效的估计方法,对估计方法的适应性及稳定性进行研究和讨论,并将模型运用到国债市场的风险量化中。不同于其他金融产品,我国国债市场受到政治和经济的双重因素影响,对于带有特殊意义的波动情况,恰当的风险预测尤为重要。本文以复合（CQR）及加权复合（WCQR）分位数回归为研究对象,探讨了针对ARIMA时序模型的有效估计,实现了我国国债市场突发风险情况的合理预测,主要内容包括:1.建立了ARIMA模型的不同分位数回归（分位数（QR）、复合（CQR）及加权复合（WCQR））估计式;讨论了ARIMA模型在不同分位数回归下的渐近正态性,获取了加权复合分位数回归最优权重估计。2.通过分析我国国债市场常见的大幅波动情况,从分位数时序回归的角度进行分析,得到波动时期中可以体现波动幅度的一个数据,运用复合分位数回归的估计方法估计这个数据的波动数值,并通过所得数值对中美贸易摩擦期间国债市场的大幅波动进行量化分析。3.针对中美贸易摩擦期间的数据,使用加权复合分位数回归的估计方法,根据所研究时间的长度,选取相同分位截距或不同分位截距进行建模分析,并给出中美贸易摩擦前后期风险影响的有效分析和精准预测。
二、关于记录值序列部分和的渐近正态性（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、关于记录值序列部分和的渐近正态性（论文提纲范文）
（1）在线EM算法及其在一类隐马尔科夫模型参数估计中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景介绍 |
| 1.2 研究进展现状 |
| 1.2.1 隐马尔科夫模型 |
| 1.2.2 EM算法及在线EM算法 |
| 1.3 本文主要研究问题及章节安排 |
| 2 基础知识 |
| 2.1 参数估计基本概念 |
| 2.1.1 指数族分布 |
| 2.1.2 充分统计量 |
| 2.2 马尔科夫链 |
| 2.3 隐马尔科夫模型 |
| 2.4 有限状态的隐马尔科夫的三个基本问题以及解决算法 |
| 2.4.1 概率计算问题以及前后向算法 |
| 2.4.2 预测问题以及维特比算法 |
| 2.4.3 学习问题以及EM算法 |
| 2.5 随机逼近以及在线EM算法 |
| 2.5.1 随机逼近 |
| 2.5.2 在线EM算法 |
| 2.6 本章小结 |
| 3 基于随机逼近的分块在线EM算法 |
| 3.1 问题描述及模型介绍 |
| 3.2 分块在线EM算法介绍 |
| 3.3 高斯混合模型 |
| 3.3.1 模型及在线算法介绍 |
| 3.3.2 分块在线EM算法在有限高斯混合模型中的应用 |
| 3.4 指数族分布模型 |
| 3.4.1 模型以及在线算法介绍 |
| 3.4.2 分块在线EM算法在指数族分布模型中的应用 |
| 3.5 本章小结 |
| 4 仿真实验 |
| 4.1 有限高斯混合模型模型的数值实验 |
| 4.1.1 模型介绍 |
| 4.1.2 实验结果 |
| 4.1.3 在线EM算法与离线EM算法在有限高斯混合模型中的对比实验 |
| 4.2 指数族分布模型的数值实验 |
| 4.2.1 模型介绍 |
| 4.2.2 实验结果 |
| 4.3 实证分析结果 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（2）若干自回归模型的参数估计及其应用（论文提纲范文）
| 提要 |
| 中文摘要 |
| ABSTRACT |
| 文中部分符号说明 |
| 第一章 引言 |
| 1.1 背景介绍 |
| 1.2 论文主要工作 |
| 第二章 INAR(1)模型的分位回归估计 |
| 2.1 平滑INAR(1)模型的分位数 |
| 2.2 基于平滑INAR(1)模型的分位回归估计 |
| 2.3 模拟研究 |
| 2.4 实例分析 |
| 2.5 小结 |
| 2.6 定理证明 |
| 第三章 BNBTINAR(1)模型的参数估计 |
| 3.1 BNBTINAR(1)模型的定义和性质 |
| 3.2 参数估计 |
| 3.2.1 条件最小二乘估计 |
| 3.2.2 条件极大似然估计 |
| 3.2.3 门限变量r的估计 |
| 3.3 模拟研究 |
| 3.4 实例分析 |
| 3.5 小结 |
| 3.6 主要结果证明 |
| 第四章 协变量驱动的RCAR(1)模型的参数估计 |
| 4.1 RCAR(1)模型的定义和性质 |
| 4.2 参数估计 |
| 4.2.1 条件最小二乘估计 |
| 4.2.2 条件极大似然估计 |
| 4.2.3 条件分位回归估计 |
| 4.3 模拟研究 |
| 4.4 实例分析 |
| 4.5 小结 |
| 4.6 主要结果证明 |
| 第五章 结论 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（3）基于个体识别的动物生态模型的复合似然推断（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 第一节 动物生态学背景 |
| 第二节 动物个体识别数据 |
| 第三节 复合似然方法 |
| 第四节 论文结构安排 |
| 第二章 动物运动模型的复合似然推断 |
| 第一节 前言 |
| 第二节 概念和符号 |
| 第三节 滞后识别率模型 |
| 第四节 滞后识别率模型参数估计与理论性质 |
| 第五节 模拟研究 |
| 第六节 本章小结 |
| 附录 1 |
| 第三章 动物社会关系模型的复合似然推断 |
| 第一节 前言 |
| 第二节 概念和符号 |
| 第三节 滞后关系率模型 |
| 第四节 滞后关系率模型参数估计与理论性质 |
| 第五节 模拟研究 |
| 第六节 本章小结 |
| 附录 2 滞后关联率的理论参数估计 |
| 第四章 基于动物运动和社会关系的模型选择 |
| 第一节 前言 |
| 第二节 模型选择方法 |
| 第三节 模拟研究 |
| 第四节 实例研究 |
| 第五节 本章小结 |
| 第五章 基于个体识别数据的分类 |
| 第一节 前言 |
| 第二节 基于t-SNE的分类方法 |
| 第三节 实例研究 |
| 第四节 本章小结 |
| 第六章 结论与展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（4）复杂数据结构下分位数回归的模型检验（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 第一节 参数单指标分位回归模型检验概述 |
| 第二节 分位数回归模型及估计 |
| 第三节 “充分”降维方法简介 |
| 第四节 本文的结构 |
| 第二章 参数单指标分位数回归模型的模型检验 |
| 第一节 分位数回归下的模型检验 |
| 第二节 检验统计量的渐近性质 |
| 第三节 数值模拟 |
| 第四节 实际数据分析 |
| 第五节 定理的证明 |
| 第六节 补充的数值模拟结果 |
| 第三章 响应变量包含缺失的参数单指标分位数回归的模型检验 |
| 第一节 MAR下分位回归模型的检验 |
| 第二节 检验统计量的渐近性质 |
| 第三节 数值模拟 |
| 第四节 实际数据分析 |
| 第五节 定理的证明 |
| 第六节 补充的数值模拟结果 |
| 第四章 结论及展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（5）面板数据空间回归模型的变量选择（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究内容 |
| 1.3 研究意义 |
| 1.4 创新之处 |
| 1.5 论文结构 |
| 第2章 文献综述 |
| 2.1 变量选择的基本理论 |
| 2.1.1 变量选择的影响 |
| 2.1.2 变量选择的方法 |
| 2.2 空间回归模型 |
| 2.2.1 空间回归模型的设定和解释 |
| 2.2.2 空间回归模型的估计和检验 |
| 2.2.3 空间回归模型的变量选择 |
| 2.3 分位数回归模型 |
| 2.3.1 分位数回归的原理 |
| 2.3.2 传统分位数回归模型 |
| 2.3.3 空间分位数回归模型 |
| 2.3.4 分位数回归模型的变量选择 |
| 2.4 本章小结 |
| 第3章 固定效应空间回归模型的变量选择 |
| 3.1 引言 |
| 3.2 固定效应空间回归模型 |
| 3.2.1 模型设定 |
| 3.2.2 拟极大似然估计 |
| 3.3 变量选择方法 |
| 3.3.1 惩罚方法 |
| 3.3.2 大样本性质 |
| 3.3.3 算法的实现 |
| 3.4 蒙特卡洛模拟 |
| 3.4.1 数据生成过程 |
| 3.4.2 结果评价标准 |
| 3.4.3 数值模拟结果 |
| 3.5 小结 |
| 3.6 定理的证明 |
| 第4章 随机效应空间回归模型的变量选择 |
| 4.1 引言 |
| 4.2 随机效应空间回归模型 |
| 4.2.1 模型设定 |
| 4.2.2 拟极大似然估计 |
| 4.3 变量选择方法 |
| 4.3.1 惩罚方法 |
| 4.3.2 大样本性质 |
| 4.3.3 算法的实现 |
| 4.4 蒙特卡洛模拟 |
| 4.4.1 数据生成过程 |
| 4.4.2 结果评价标准 |
| 4.4.3 数值模拟结果 |
| 4.5 小结 |
| 4.6 定理的证明 |
| 第5章 固定效应空间分位数自回归模型的变量选择 |
| 5.1 引言 |
| 5.2 模型设定和估计 |
| 5.2.1 固定效应空间自回归模型 |
| 5.2.2 固定效应空间分位数自回归模型 |
| 5.2.3 工具变量估计 |
| 5.3 变量选择方法 |
| 5.3.1 惩罚方法 |
| 5.3.2 大样本性质 |
| 5.3.3 算法的实现 |
| 5.4 蒙特卡洛模拟 |
| 5.4.1 数据生成过程 |
| 5.4.2 结果评价标准 |
| 5.4.3 数值模拟结果 |
| 5.5 小结 |
| 5.6 定理的证明 |
| 第6章 随机效应空间分位数自回归模型的变量选择 |
| 6.1 引言 |
| 6.2 模型设定和估计 |
| 6.2.1 随机效应空间自回归模型 |
| 6.2.2 随机效应空间分位数自回归模型 |
| 6.2.3 工具变量估计 |
| 6.3 变量选择方法 |
| 6.3.1 惩罚方法 |
| 6.3.2 贝叶斯解释 |
| 6.3.3 大样本性质 |
| 6.3.4 算法的实现 |
| 6.4 蒙特卡洛模拟 |
| 6.4.1 数据生成过程 |
| 6.4.2 结果评价标准 |
| 6.4.3 数值模拟结果 |
| 6.5 小结 |
| 6.6 定理的证明 |
| 第7章 我国农业净收益的影响因素 |
| 7.1 引言 |
| 7.2 实证模型 |
| 7.3 数据检验 |
| 7.3.1 数据的单位根检验 |
| 7.3.2 空间相关性检验 |
| 7.4 实证结果 |
| 7.4.1 固定效应空间回归模型的估计结果 |
| 7.4.2 固定效应空间分位数回归模型的估计结果 |
| 7.5 小结 |
| 第8章 研究总结与展望 |
| 8.1 研究总结 |
| 8.2 研究展望 |
| 参考文献 |
| 攻读学位期间承担的科研任务与主要成果 |
| 致谢 |
| 个人简历 |
（6）基于联合记录值的两个威布尔总体的统计推断（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 本文研究内容和创新之处 |
| 第2章 基于下联合记录值的两个Weibull总体的极大似然估计 |
| 2.1 联合记录值 |
| 2.2 Weibull模型 |
| 2.3 极大似然估计(MLEs) |
| 2.4 参数的MLEs的存在性和唯一性 |
| 2.5 置信区间(CIs) |
| 第3章 基于下联合记录值的两个Weibull总体的Bayes估计 |
| 3.1 用MCMC方法进行Bayes估计 |
| 3.2 数值模拟 |
| 3.3 用Soland方法进行Bayes估计 |
| 3.4 数值模拟 |
| 第4章 实例应用 |
| 第5章 结论与展望 |
| 参考文献 |
| 在学期间发表论文清单 |
| 致谢 |
（7）相依函数型数据分析方法及其金融应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景与意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题意义 |
| 1.2 国内外文献综述 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 文献评述 |
| 1.3 研究内容与方法 |
| 1.4 本文创新之处 |
| 第2章 函数型数据分析方法简介 |
| 2.1 函数型数据定义 |
| 2.1.1 函数型数据 |
| 2.1.2 相依函数型数据 |
| 2.2 函数型数据表示 |
| 2.2.1 外生基法 |
| 2.2.2 内生基法 |
| 2.3 函数型数据线性回归模型 |
| 2.3.1 自变量是函数型变量 |
| 2.3.2 因变量是函数型变量 |
| 2.3.3 因变量和自变量均是函数型变量 |
| 2.4 函数型数据的均值函数假设检验 |
| 2.4.1 单个独立函数型数据的均值函数变点检验 |
| 2.4.2 两个独立函数型数据的均值函数相等检验 |
| 本章小结 |
| 第3章 相依函数型数据表示新方法及其金融应用 |
| 3.1 基于长期协方差函数估计的相依函数型数据表示 |
| 3.1.1 基于短期协方差函数估计的函数型数据表示 |
| 3.1.2 基于长期协方差函数估计的相依函数型数据表示 |
| 3.2 基于无截断Bartlett核估计的相依函数型数据表示 |
| 3.3 基于残差协方差函数估计的相依函数型数据表示 |
| 3.4 函数表示数值模拟与分析 |
| 3.4.1 基于FAR(1)和分数阶单整的相依函数型数据生成 |
| 3.4.2 函数表示模拟结果分析 |
| 3.5 函数表示方法在沪深300股指1分钟高频数据中的应用 |
| 3.5.1 沪深300股指1分钟高频数据的函数表示 |
| 3.5.2 沪深300股指1分钟高频数据函数表示的稳健性分析 |
| 本章小结 |
| 第4章 相依函数型数据均值函数变点和均值函数相等检验及其金融应用.. |
| 4.1 单个相依函数型数据的均值函数变点检验 |
| 4.2 均值函数变点检验的数值模拟与分析 |
| 4.2.1 基于FAR(1)的相依函数型数据生成 |
| 4.2.2 均值函数变点检验模拟结果分析 |
| 4.3 两个相依函数型数据的均值函数相等检验 |
| 4.4 均值函数相等检验的数值模拟与分析 |
| 4.4.1 基于FAR(1)的相依函数型数据生成 |
| 4.4.2 均值函数相等检验的模拟结果分析 |
| 4.5 高频股指数据的均值函数变点和均值函数相等检验 |
| 4.5.1 上证180股指1分钟高频数据的均值函数变点检验 |
| 4.5.2 上证180和沪深300股指1分钟累积收益率的均值函数相等检验 |
| 本章小结 |
| 第5章 相依函数型数据线性回归模型估计及其金融应用 |
| 5.1 一元相依函数型数据线性回归模型 |
| 5.1.1 自变量是相依函数型变量 |
| 5.1.2 因变量和自变量均是相依函数型变量 |
| 5.2 多元相依函数型数据线性回归模型 |
| 5.2.1 自变量是函数型变量 |
| 5.2.2 因变量和自变量均是相依函数型变量 |
| 5.3 相依函数型数据线性回归模型的数值模拟与分析 |
| 5.3.1 基于FAR(1)和分数阶单整的相依函数型数据生成 |
| 5.3.2 回归模拟结果分析 |
| 5.4 基于相依函数型数据线性回归模型的高频股指开盘价预测 |
| 5.4.1 沪深300股指1分钟高频数据开盘价的预测 |
| 5.4.2 沪深300股指1分钟高频数据开盘价预测的稳健性分析 |
| 本章小结 |
| 第6章 部分相依函数型数据线性回归模型及在混频数据中的应用 |
| 6.1 混频数据抽样模型简介 |
| 6.1.1 混频数据抽样模型 |
| 6.1.2 混频数据抽样模型估计 |
| 6.2 部分相依函数型数据线性回归模型 |
| 6.2.1 一元部分相依函数型数据线性回归模型估计 |
| 6.2.2 二元部分相依函数型数据线性回归模型估计 |
| 6.2.3 多元部分相依函数型数据线性回归模型估计 |
| 6.3 部分相依函数型数据线性回归模型的数值模拟 |
| 6.3.1 基于混频模型和ARMA(2,2)的相依函数型数据生成 |
| 6.3.2 回归模拟结果分析 |
| 6.4 基于部分相依函数型数据线性回归模型的CPI混频预测 |
| 本章小结 |
| 第7章 结论与展望 |
| 7.1 研究结论 |
| 7.2 研究不足与展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文及研究成果 |
（8）基于协整理论与卷积长短时记忆网络的机械故障预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题研究背景和研究意义 |
| §1.2 旋转机械故障预测国内外研究概述 |
| §1.3 机械故障预测方法概述 |
| §1.3.1 机械故障预测方法概述 |
| §1.3.2 基于数据驱动的故障预测方法 |
| §1.4 课题来源 |
| §1.5 论文主要内容与章节安排 |
| 第二章 ARIMA和卡尔曼滤波模型在故障预测中的应用 |
| §2.1 随机过程和时间序列 |
| §2.2 基于ARIMA模型的故障预测方法 |
| §2.2.1 ARIMA模型基本理论 |
| §2.2.2 基于ARIMA模型的预测方法 |
| §2.3 基于ARIMA和卡尔曼滤波的故障预测方法 |
| §2.3.1 卡尔曼滤波理论介绍 |
| §2.3.2 基于ARIMA的卡尔曼滤波预测方法 |
| §2.4 时域特征参数提取 |
| §2.5 机械故障预测实例分析 |
| §2.5.1 试验台及数据说明 |
| §2.5.2 基于ARIMA模型的预测 |
| §2.5.3 基于ARIMA-KF模型的预测 |
| §2.5 本章小结 |
| 第三章 协整和向量误差修正模型在轴承故障预测中应用 |
| §3.1 单位根检验 |
| §3.1.1 随机游走和单位根概念 |
| §3.1.2 单位根检验 |
| §3.2 协整理论 |
| §3.3 基于向量误差修正模型的预测 |
| §3.4 实验验证 |
| §3.4.1 建立向量误差修正模型 |
| §3.4.2 模型评估 |
| §3.4.3 轴承剩余使用寿命预测 |
| §3.4.4 实验结果分析 |
| §3.5 本章小结 |
| 第四章 堆叠式卷积长短时记忆网络在轴承故障预测中的应用 |
| §4.1 深度学习理论概述 |
| §4.2 卷积神经网络 |
| §4.2.1 通过全连接网络的反向传播 |
| §4.2.2 卷积神经网络 |
| §4.3 卷积长短时记忆网络 |
| §4.3.1 循环神经网络 |
| §4.3.2 长短时记忆神经网络 |
| §4.3.3 卷积网络的特征学习 |
| §4.4 基于卷积长短时记忆网络的轴承性能退化趋势预测 |
| §4.4.1 基于卷积长短时记忆网络的预测框架 |
| §4.4.2 实验数据和评价指标 |
| §4.4.3 实验验证 |
| §4.5 本章小结 |
| 第五章 总结和展望 |
| §5.1 总结 |
| §5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者攻读硕士期间主要研究成果 |
（9）GNSS时间序列异常值探测方法研究及其应用（论文提纲范文）
| 信息工程大学学位论文自评表 |
| 学位论文创新点与发表学术论文对应情况表 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 GNSS时间序列异常值探测的研究现状 |
| 1.2.1 直接探测法 |
| 1.2.2 间接探测法 |
| 1.3 本文的主要研究内容和组织结构 |
| 第二章 时间序列异常值探测方法的回顾与评述 |
| 2.1 引言 |
| 2.2 时间序列的模型以及异常值的概念和类型 |
| 2.2.1 时间序列的ARIMA模型 |
| 2.2.2 ARIMA模型的表现形式 |
| 2.2.3 时间序列异常值的概念及类型 |
| 2.3 时间序列异常值探测方法的回顾与评述 |
| 2.3.1 时间序列异常值探测的似然比方法 |
| 2.3.2 时间序列异常值探测的影响分析法 |
| 2.3.3 时间序列异常值探测的Bayes方法 |
| 2.3.4 时间序列异常值探测的其它方法 |
| 2.3.5 时间序列异常值探测方法的评述 |
| 2.4 ARIMA模型的似然函数及其近似形式 |
| 2.4.1 ARIMA模型的似然函数与最大似然估计 |
| 2.4.2 条件似然函数与初始条件的选择 |
| 2.4.3 反向预报技术与非条件似然函数 |
| 2.4.4 精确似然函数的构成 |
| 2.5 本章小结 |
| 第三章 GNSS时间序列异常值探测的Bayes方法 |
| 3.1 引言 |
| 3.2 基于ARIMA模型的异常值探测的Bayes方法 |
| 3.2.1 Bayes统计推断方法概述 |
| 3.2.2 时间序列异常值探测模型 |
| 3.2.3 异常值探测的Bayes方法 |
| 3.3 先验分布的选择 |
| 3.3.1 共轭先验分布 |
| 3.3.2 无信息先验分布与Bayes假设 |
| 3.3.3 Bootstrap方法 |
| 3.3.4 分层Bayes法 |
| 3.4 参数的完全条件分布及异常扰动的估计 |
| 3.4.1 参数的完全条件分布 |
| 3.4.2 异常扰动的Bayes估计 |
| 3.4.3 基于Gibbs抽样的后验概率值的计算 |
| 3.5 算例与分析 |
| 3.5.1 模拟算例及分析 |
| 3.5.2 在GPS星载原子钟差异常值处理中的应用 |
| 3.6 本章小结 |
| 第四章 GNSS时间序列异常值探测的似然比方法 |
| 4.1 引言 |
| 4.2 基于ARIMA模型的异常值探测的似然比方法 |
| 4.2.1 时间序列异常值探测模型 |
| 4.2.2 异常值探测的似然比方法 |
| 4.2.3 异常扰动的最小二乘估计 |
| 4.2.4 模拟算例及分析 |
| 4.3 时间序列异常值探测似然比方法的改进 |
| 4.3.1 成片异常值的成因及影响 |
| 4.3.2 成片异常值的探测及异常扰动的估计 |
| 4.3.3 成片异常值探测的抗掩盖与淹没算法 |
| 4.3.4 模拟算例及分析 |
| 4.4 在BDS卫星钟差数据处理中的应用 |
| 4.4.1 孤立异常值的处理 |
| 4.4.2 成片异常值的处理 |
| 4.5 本章小结 |
| 第五章 GNSS时间序列异常值探测的EM算法 |
| 5.1 引言 |
| 5.2 基于ARIMA模型的异常值探测的EM算法 |
| 5.2.1 时间序列异常值探测模型 |
| 5.2.2 EM算法的思想和基本原理 |
| 5.2.3 异常值探测的EM算法 |
| 5.2.4 算例与分析 |
| 5.3 基于有偏估计的异常值探测EM算法的改进 |
| 5.3.1 有偏估计的形式及其偏参数的确定 |
| 5.3.2 基于有偏估计的异常值探测EM算法的改进 |
| 5.3.3 算例与分析 |
| 5.4 基于正则化方法的异常值探测EM算法的改进 |
| 5.4.1 正则化方法及其正则化参数的确定 |
| 5.4.2 基于正则化方法的异常值探测EM算法的改进 |
| 5.4.3 算例与分析 |
| 5.5 本章小结 |
| 第六章 GNSS时间序列异常值探测的模型选择方法 |
| 6.1 引言 |
| 6.2 基于ARIMA模型的异常值探测的模型选择方法 |
| 6.2.1 异常值探测模型 |
| 6.2.2 异常值探测的模型选择方法 |
| 6.3 后验概率的计算及模型选择方法的实施 |
| 6.3.1 后验概率的计算方法及异常值探测准则 |
| 6.3.2 潜在异常值的确定 |
| 6.3.3 时间序列异常值探测的模型选择方法的实施步骤 |
| 6.4 算例与分析 |
| 6.4.1 模拟算例及分析 |
| 6.4.2 在GNSS卫星钟差数据处理中的应用 |
| 6.5 本章小结 |
| 第七章 时间序列异常值探测方法在BDS三频周跳处理中的应用 |
| 7.1 引言 |
| 7.2 三频周跳探测的方法 |
| 7.2.1 三频基本观测量及其观测方程 |
| 7.2.2 三频组合观测 |
| 7.2.3 三频组合周跳探测分析及其处理策略 |
| 7.3 实验与分析 |
| 7.3.1 孤立周跳的探测与修复 |
| 7.3.2 连续周跳的探测与修复 |
| 7.3.3 随机周跳的探测与修复 |
| 7.3.4 多星多站随机周跳的探测与修复 |
| 7.4 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（10）复合分位数回归方法在国债风险时序模型中的应用（论文提纲范文）
| 中文摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 分位数回归系列估计方法 |
| 1.2.2 分位数回归系列估计方法在时间序列中的应用 |
| 1.3 主要研究内容和章节结构安排 |
| 1.4 本文特色与创新之处 |
| 第2章 ARIMA模型的复合分位数回归估计方法研究 |
| 2.1 预备性理论知识 |
| 2.2 ARIMA模型的分位数回归(QR)估计 |
| 2.2.1 分位数回归(QR)估计值 |
| 2.2.2 ARIMA模型的分位数回归(QR)估计式 |
| 2.3 ARIMA模型的复合分位数回归(CQR)估计 |
| 2.3.1 复合分位数回归(CQR)估计值 |
| 2.3.2 ARIMA模型的复合分位数回归(CQR)估计式 |
| 2.4 ARIMA模型的加权复合分位数回归(WCQR)估计 |
| 2.4.1 加权复合分位数回归(WCQR)估计值 |
| 2.4.2 ARIMA模型的加权复合分位数回归(WCQR)估计式 |
| 2.5 ARIMA模型分位数回归估计的渐近正态性与权重选择 |
| 2.5.1 ARIMA模型加权复合分位数回归估计的渐近正态性 |
| 2.5.2 ARIMA模型复合分位数回归估计的渐近正态性 |
| 2.5.3 ARIMA模型分位数回归估计的渐近正态性 |
| 2.5.4 ARIMA模型加权复合分位数回归估计的权重选择 |
| 2.6 小结 |
| 第3章 复合分位数回归估计在国债风险时序分析中的应用 |
| 3.1 数据处理 |
| 3.1.1 数据时序图 |
| 3.1.2 平稳性检验 |
| 3.1.3 纯随机性检验 |
| 3.1.4 模型的选择 |
| 3.1.5 模型的检验 |
| 3.2 复合分位数回归估计的国债风险时序模型 |
| 3.2.1 传统估计方法的时序模型 |
| 3.2.2 分位数回归(QR)估计的国债风险时序模型 |
| 3.2.3 复合分位数回归(CQR)估计的国债风险时序模型 |
| 3.3 国债市场风险的量化分析 |
| 3.4 中美贸易摩擦前期国债市场风险量化分析 |
| 3.4.1 传统估计方法的预测结果 |
| 3.4.2 分位数回归(QR)时序模型的预测结果 |
| 3.4.3 复合分位数回归(CQR)时序模型的预测结果 |
| 3.4.4 复合分位数回归参数估计的显着性检验 |
| 3.4.5 复合分位数回归时序模型的预测结果模拟 |
| 3.5 小结 |
| 第4章 加权复合分位数回归估计在国债风险时序分析中的应用 |
| 4.1 加权复合分位数回归(WCQR)估计的国债风险时序模型 |
| 4.2 选取相同分位点或分位截距的尾部数据预测 |
| 4.2.1 传统时序估计方法的预测分析 |
| 4.2.2 分位数回归(QR)时序模型的预测分析 |
| 4.2.3 复合分位数回归(CQR)时序模型的预测分析 |
| 4.2.4 加权复合分位数回归(WCQR)时序模型的预测分析 |
| 4.2.5 加权复合分位数回归参数估计的显着性检验 |
| 4.3 选取不同分位点或分位截距的尾部数据预测 |
| 4.3.1 复合分位数回归(CQR)时序模型的预测分析 |
| 4.3.2 加权复合分位数回归(WCQR)时序模型的预测分析 |
| 4.3.3 不同分位截距的WCQR时序模型与CQR时序模型预测结果比较 |
| 4.4 小结 |
| 结论与建议 |
| 参考文献 |
| 附录A Rstudio程序 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
四、关于记录值序列部分和的渐近正态性（论文参考文献）
- [1]在线EM算法及其在一类隐马尔科夫模型参数估计中的应用[D]. 巫一舟. 大连理工大学, 2021(01)
- [2]若干自回归模型的参数估计及其应用[D]. 盛丹姝. 吉林大学, 2021
- [3]基于个体识别的动物生态模型的复合似然推断[D]. 徐雪丽. 南开大学, 2021
- [4]复杂数据结构下分位数回归的模型检验[D]. 袁亮亮. 南开大学, 2021
- [5]面板数据空间回归模型的变量选择[D]. 刘宣. 福建师范大学, 2020(12)
- [6]基于联合记录值的两个威布尔总体的统计推断[D]. 胡婷婷. 暨南大学, 2020(03)
- [7]相依函数型数据分析方法及其金融应用[D]. 李气芳. 华侨大学, 2020(11)
- [8]基于协整理论与卷积长短时记忆网络的机械故障预测研究[D]. 杜望. 桂林电子科技大学, 2020
- [9]GNSS时间序列异常值探测方法研究及其应用[D]. 马朝忠. 战略支援部队信息工程大学, 2020(01)
- [10]复合分位数回归方法在国债风险时序模型中的应用[D]. 陆海洋. 首都经济贸易大学, 2019(07)