噪声数据的最优线性近似值-计算机科学-机器学习-最小化噪声方差-优化算法.pdfVIP

噪声数据的最优线性近似值

aa

SergioLópez-Ureña,DionisioF.Yáñez

aDepartamentdeMatemàtiques.UniversitatdeValència(EG)(Spain)

Abstract

本文介绍了专门用于处理点值噪声数据的线性逼近方法。关键创新在于通过求解一个旨在最小化噪声方差的优

化问题来确定逼近系数。该研究解决了通用情况，允许具有非均匀分布的数据之间的噪声相关性。事实上，我们

证明了[S.López-Ureña和D.F.Yáñez,科学计算杂志,100(1)(2024)]中提出的细分规则对于具有非均匀方差的

不相关噪声是最佳的。提供了数值实验以展示这些最优逼近方法相较于其他方法的有效性。

Keywords:线性近似值,噪声数据,方差最小化,相关非均匀噪声。

本1.介绍

译

中在某些应用中，管理的是有噪声的数据，需要使用专门的近似方法。文献中提出了许多方法，例如移动最小

二乘法(MLS)或核回归方法（参见[5,8]等）。我们可以看到，在这些工作中，一个经典策略是通过最小化某种

2

v误差度量来定义逼近，同时保持指定的逼近阶数，当误差度量为范数时，会得到线性逼近。本文的目标是从

7噪声数据中推导出一种最小化噪声方差而非误差度量的线性逼近方法。我们将看到我们的提案与移动最小二乘

8

2法之间的联系。此外，我们还将展示最近提出的细分规则[6]对于某些噪声分布是最佳的。

1

令表示与网格,相关的数据集，其中max

0

.

。我们假设数据由两个组成部分构成：噪声和平滑函数的样本。具体来说，

2

1

，其中和噪声是一个均值为零的概率分布向量，我们的目标是确定线

4

2性近似的系数，，使得对于给定的，在最小化的影响的

:

v同时，达到指定的精度。

i

x我们首先展示所提出问题的解，并建立其与先前研究的联系。然后进行了一些实验，以证明所提出的近似值

r

a的有效性与其他方法相比。

2.设计线性逼近以在规定的近似能力下最小化噪声

由于是线性的，。我们建议将问题分为两部分。一部分负责逼近光滑函数，

另一部分则尽可能减少噪声。一方面，我们可以解决光滑问题这是通过要求再现最多

次的多项式，来实现的，众所周知。为此，我们引入以下定义。

定义1.一个近似值在设置,下再现，如果