高阶Paren Windows及随机采样.pdfVIP

籀要 摘要 本文中，我们透过戮入高阶＆凇撞wi鑫d渊s的方法研究学习理论翊题中的 一些算法，并应用到多变量的随机采样问题中。最初的想法主要来源于Parzen windows估计密度函数和采样理论。 首先，我们定义出基窗口函数，由基窗口函数构造出离阶Parze珏wi斌ows函 数。当边缘分布函数在采样的定义域附近满足一定的衰减性条件，我们给出 了最小平方形式下的回归番数|帮密度估计函数的学习率。并且当边缘分毒 函数衰减很快，以及高阶ParzenwindoWs的阶足够大的情况下，我们给出的 学习率能达到理论最优。与标准的Parzenwi聪洲s不一样的是，当高阶P粼n windows的阶tJr大于2时，高阶parzenwindows函数本身不再是密度函数。 对于平移不变空间的随机采样问题，我们给出了在全空间R钵中的逼 近阶。当样本点不是独立同分布，丽是受规则嬲格是舻上的噪音干扰(这 里危0是一个常量)。同时，我们还假设噪音的密度函数，以及要逼近的目标 函数满足一定的衰减和规则性条件。选择合适的窗誓宽度，得到的逼近阶仅 与逼近函数本身的性质，噪音的密度函数以及Pafzenwindows的阶有关。 接下来，我们继续讨论高阶Parzenwindows方法在多元逼近论问题中的应 用。不同的是这里的函数空间是Sobolev空间，并且样本点不再是一致采样，蔼 是受到均匀网格附近有微小平移的噪音函数影响。采样点对应的函数值的期 望值等于要逼近酶露标函数的值。我们给出了在S曲。戤空闻逼近曩标蘧数酶 误差界。 最后，我们应用高阶Pa戳nwindows解决一个实际应用阿题。考虑的算法 的效率以及实际问题的需求，我们仅采用一个二阶Parze娃windows函数估计密 度函数。无论是对实验数据还是真实数据，算法都非常有效。 关键词：学习理论，高阶Parzenwindows，采样理论，基窗口函数，学习率，密 度估计，拟插值，一致采样，非一致采样 ABS豫ACT ABSTRACT hlme OrderParzenwindowsaresmdiedfor sOmeal- mesis，high unders咖ding g撕氆礁s遗le皴垃ng掇e翻了褫d凇do瘫ze纛s越印}li建gi鑫融醢l矗V撕毪绝《}薹’foxi臻纛基。珏． 0urideasaref两mPa彪enwindowmetllodfor and densi锣estimationsaIIlplingmeo巧． basicwind。w如nctionst0constnlct Pafzen嘶n_ Fifst，we如矗ne ouf圭li曲order dows。Wrede矗ved fatesfortk and leaming least—square regressiondensi移es垃m撕on onboundeddomainsundersome conditionsnearme ontlle decay boundaDrma鸩inal 磁s囊堍蛀oa西氇e p∞b曲i脚溅燧溅e参雕s糕攀li拄g。强ese继沦sc觚＆al鼢髓叩纛m曩呈 whenthe distributionaIldmeorderoftheParzenwindowsis ma玛inal decaysfast la玛e st勰d蕊Parzenwindows enou曲．Compar甜wim