Автоматика и телемеханика
RUS  ENG    ЖУРНАЛЫ   ПЕРСОНАЛИИ   ОРГАНИЗАЦИИ   КОНФЕРЕНЦИИ   СЕМИНАРЫ   ВИДЕОТЕКА   ПАКЕТ AMSBIB  
Общая информация
Последний выпуск
Архив
Импакт-фактор
Правила для авторов
Загрузить рукопись

Поиск публикаций
Поиск ссылок

RSS
Последний выпуск
Текущие выпуски
Архивные выпуски
Что такое RSS



Автомат. и телемех.:
Год:
Том:
Выпуск:
Страница:
Найти






Персональный вход:
Логин:
Пароль:
Запомнить пароль
Войти
Забыли пароль?
Регистрация


Автомат. и телемех., 2010, выпуск 2, страницы 42–58 (Mi at776)  

Эта публикация цитируется в 9 научных статьях (всего в 9 статьях)

Задачи оценивания и фильтрации

Выбор ширины окна ядерной функции в непараметрической оценке производной плотности методом сглаженной кросс-валидации

А. В. Добровидов, И. М. Рудько

Институт проблем управления им. В. А. Трапезникова РАН, Москва

Аннотация: В непараметрическом ядерном оценивании неизвестных плотностей вероятности и их производных известны несколько методов оценки ширины окна ядерных функций. Наиболее простыми и удобными из них являются методы кросс-валидации $CV$ и $SCV$. Первый метод разработан как для самой плотности, так и для ее производных. Второй – только для плотности, однако он дает оценки с большей скоростью сходимости и существенно меньшим разбросом. Строится зависящая только от наблюдений (data based) оценка ширины окна ядерной функции в задаче непараметрического восстановления производной плотности по независимой выборке.

Полный текст: PDF файл (410 kB)
Список литературы: PDF файл   HTML файл

Англоязычная версия:
Automation and Remote Control, 2010, 71:2, 209–224

Реферативные базы данных:

Тип публикации: Статья
PACS: 02.50.Ey
Статья представлена к публикации членом редколлегии: А. И. Кибзун

Поступила в редакцию: 02.03.2009

Образец цитирования: А. В. Добровидов, И. М. Рудько, “Выбор ширины окна ядерной функции в непараметрической оценке производной плотности методом сглаженной кросс-валидации”, Автомат. и телемех., 2010, № 2, 42–58; Autom. Remote Control, 71:2 (2010), 209–224

Цитирование в формате AMSBIB
\RBibitem{DobRud10}
\by А.~В.~Добровидов, И.~М.~Рудько
\paper Выбор ширины окна ядерной функции в~непараметрической оценке производной плотности методом сглаженной кросс-валидации
\jour Автомат. и телемех.
\yr 2010
\issue 2
\pages 42--58
\mathnet{http://mi.mathnet.ru/at776}
\mathscinet{http://www.ams.org/mathscinet-getitem?mr=2654498}
\zmath{https://zbmath.org/?q=an:05790879}
\transl
\jour Autom. Remote Control
\yr 2010
\vol 71
\issue 2
\pages 209--224
\crossref{https://doi.org/10.1134/S0005117910020050}
\isi{http://gateway.isiknowledge.com/gateway/Gateway.cgi?GWVersion=2&SrcApp=PARTNER_APP&SrcAuth=LinksAMR&DestLinkType=FullRecord&DestApp=ALL_WOS&KeyUT=000274843700005}
\scopus{https://www.scopus.com/record/display.url?origin=inward&eid=2-s2.0-77950646791}


Образцы ссылок на эту страницу:
  • http://mi.mathnet.ru/at776
  • http://mi.mathnet.ru/rus/at/y2010/i2/p42

    ОТПРАВИТЬ: VKontakte.ru FaceBook Twitter Mail.ru Livejournal Memori.ru


    Citing articles on Google Scholar: Russian citations, English citations
    Related articles on Google Scholar: Russian articles, English articles

    Эта публикация цитируется в следующих статьяx:
    1. Bouzebda S., Didi S., “Some Results About Kernel Estimators For Function Derivatives Based on Stationary and Ergodic Continuous Time Processes With Applications”, Commun. Stat.-Theory Methods  crossref  mathscinet  isi  scopus
    2. Lapko A.V., Lapko V.A., “Integral Estimate From the Square of the Probability Density For a One-Dimensional Random Variable”, Meas. Tech.  crossref  isi
    3. А. В. Добровидов, “Автоматические методы выделения полезных сигналов на фоне помех в условиях непараметрической неопределенности”, Автомат. и телемех., 2011, № 2, 56–70  mathnet  mathscinet  zmath; A. V. Dobrovidov, “Automatic methods of useful signals extraction from noise background under conditions of nonparametric uncertainty”, Autom. Remote Control, 72:2 (2011), 269–282  crossref  isi
    4. А. В. Добровидов, В. Э. Тевосян, “Непараметрическая оценка волатильности и ее параметрические аналоги”, Пробл. управл., 4 (2017), 26–36  mathnet
    5. Siloko I.U., Ikpotokin O., Oyegue F.O., Ishiekwene C.C., Afere B.A.E., “A Note on Application of Kernel Derivatives in Density Estimation With the Univariate Case”, J. Stat. Manag. Syst., 22:3 (2019), 415–423  crossref  isi
    6. А. А. Сирота, А. О. Донских, А. В. Акимов, Д. А. Минаков, “Смешанные ядерные оценки многомерных распределений и их применение в задачах машинного обучения для классификации биологических объектов на основе спектральных измерений”, Компьютерная оптика, 43:4 (2019), 677–691  mathnet  crossref
    7. Lapko V A., Lapko V.A., “Dependence Between Histogram Parameters and the Kernel Estimate of a Unimodal Probability Density”, Meas. Tech., 62:9 (2019), 747–753  crossref  isi  scopus
    8. Lapko A.V., Lapko V.A., “Dependencies Between Histogram Parameters and the Kernel Estimate of the Probability Density of a Multidimensional Random Variable”, Meas. Tech., 62:11 (2020), 945–952  crossref  isi
    9. Manoni L., Turchetti C., Falaschetti L., “An Effective Manifold Learning Approach to Parametrize Data For Generative Modeling of Biosignals”, IEEE Access, 8 (2020), 207112–207133  crossref  isi
  • Автоматика и телемеханика
    Просмотров:
    Эта страница:362
    Полный текст:140
    Литература:27
    Первая стр.:11
     
    Обратная связь:
     Пользовательское соглашение  Регистрация посетителей портала  Логотипы © Математический институт им. В. А. Стеклова РАН, 2022