|
|
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
Citing articles on Google Scholar:
Russian citations,
English citations
Related articles on Google Scholar:
Russian articles,
English articles
Эта публикация цитируется в следующих статьяx:
-
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
-
Lapko A.V., Lapko V.A., “Integral Estimate From the Square of the Probability Density For a One-Dimensional Random Variable”, Meas. Tech.
-
А. В. Добровидов, “Автоматические методы выделения полезных сигналов на фоне помех в условиях непараметрической неопределенности”, Автомат. и телемех., 2011, № 2, 56–70
 ; 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 -
А. В. Добровидов, В. Э. Тевосян, “Непараметрическая оценка волатильности и ее параметрические аналоги”, Пробл. управл., 4 (2017), 26–36
-
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
-
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
-
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
-
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
-
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
|
| Просмотров: |
| Эта страница: | 362 | | Полный текст: | 140 | | Литература: | 27 | | Первая стр.: | 11 |
|
Пользовательское соглашение