导读:本文包含了非独立同分布抽样论文开题报告文献综述及选题提纲参考文献，主要关键词:独立同分布,中心极限定理,抽样分布定理,联系
非独立同分布抽样论文文献综述
李真[1]（2018）在《《概率论与数理统计》中定理的联系教学--以独立同分布的中心极限定理和样本均值的抽样分布定理为例》一文中研究指出独立同分布的中心极限定理和样本均值的抽样定理是《概率论与数理统计》中的两个重要定理.这两个定理都很抽象.本文探讨独立同分布的中心极限定理和样本均值的抽样分布定理的联系与区别,进行类比教学,帮助学生理解这两个定理的意义,提高应用定理解决具体问题的能力.(本文来源于《赤峰学院学报(自然科学版)》期刊2018年10期）
潘志伟[2]（2009）在《统计学习算法：多分类及非独立同分布抽样下的回归》一文中研究指出随着现代科学技术的发展,人们每天都要面对大量无法直接理解的数据。如何利用计算机来帮助我们理解和处理数据信息成了当今科学技术界的一个重要研究课题。机器学习是计算机得到广泛应用后逐渐发展起来的一门学科。它是人工智能的一个子领域,主要研究如何利用已有的经验数据设计一些算法使计算机具有从数据中学习出规律的能力。机器学习跟统计学有着重要的关系,因为这两个领域都是研究数据分析,但是又不像统计学,机器学习关注的是计算实现的算法复杂度。很多推论问题属于无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。学习理论是机器学习的一个分支。它是一个跨学科的研究领域,涉及应用数学、统计、计算机科学、计算生物学和数据挖掘等学科。它的目的是通过数据学习函数的特征(例如函数值和变量)或数据结构。主要研究课题包括设计一些更有效的算法和为机器学习中已有的算法提供理论支持。在此论文中,我们研究了两个问题。首先是提出了一种新的多分类算法。我们通过Parzen窗设计了一种多分类算法,并对该算法进行了理论分析。这种Parzen窗多分类器优于通常的通过结合二分类器来构造多分类器的各种方法。因为通过结合二分类器得到多分类器的方法往往很复杂,而且对于某些区域,分类的结果往往不一致。在抽样的条件概率分布的某些正则条件和边际分布靠近边界的某些衰减性条件假设下,我们给出了额外分类误差的收敛阶。在文献中,当Parzen窗用于密度估计和回归时,逼近误差一般是在离开边界的输入空间X的内点上估计。我们的主要贡献是在数学上证明了当边界附近抽样的边际分布满足一定的衰减条件时,我们能在全输入空间上得到满意的额外分类误差的L~1范数或者C(X)范数的阶。其次,我们研究了非独立同分布抽样下的学习算法。该类算法包括最小二乘正则化回归和二分类问题。在过去的几年里,学术界对独立同分布下的正则化回归算法的理论分析有了重大进展。但是,无论独立或同分布都是一个相当严格的假设。在现实的数据分析中,如Shannon抽样,randomized抽样或者弱相依抽样都不满足这样的条件。我们的设置不要求独立或者同分布条件。在抽样的边际分布序列满足在H(o|¨)lder空间的对偶空间中指数收敛的条件,和抽样序列满足多项式弱相依条件下,我们得到了和假设空间容量无关的逼近阶。而且当弱相依抽样的条件弱到接近独立抽样的时候,我们的逼近阶和独立同分布抽样下的逼近阶是一致的。对于非同分布下的二分类算法,我们也得出了满意的额外分类误差的与假设空间容量有关的逼近阶。(本文来源于《中国科学技术大学》期刊2009-04-10）
非独立同分布抽样论文开题报告
（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：
随着现代科学技术的发展,人们每天都要面对大量无法直接理解的数据。如何利用计算机来帮助我们理解和处理数据信息成了当今科学技术界的一个重要研究课题。机器学习是计算机得到广泛应用后逐渐发展起来的一门学科。它是人工智能的一个子领域,主要研究如何利用已有的经验数据设计一些算法使计算机具有从数据中学习出规律的能力。机器学习跟统计学有着重要的关系,因为这两个领域都是研究数据分析,但是又不像统计学,机器学习关注的是计算实现的算法复杂度。很多推论问题属于无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。学习理论是机器学习的一个分支。它是一个跨学科的研究领域,涉及应用数学、统计、计算机科学、计算生物学和数据挖掘等学科。它的目的是通过数据学习函数的特征(例如函数值和变量)或数据结构。主要研究课题包括设计一些更有效的算法和为机器学习中已有的算法提供理论支持。在此论文中,我们研究了两个问题。首先是提出了一种新的多分类算法。我们通过Parzen窗设计了一种多分类算法,并对该算法进行了理论分析。这种Parzen窗多分类器优于通常的通过结合二分类器来构造多分类器的各种方法。因为通过结合二分类器得到多分类器的方法往往很复杂,而且对于某些区域,分类的结果往往不一致。在抽样的条件概率分布的某些正则条件和边际分布靠近边界的某些衰减性条件假设下,我们给出了额外分类误差的收敛阶。在文献中,当Parzen窗用于密度估计和回归时,逼近误差一般是在离开边界的输入空间X的内点上估计。我们的主要贡献是在数学上证明了当边界附近抽样的边际分布满足一定的衰减条件时,我们能在全输入空间上得到满意的额外分类误差的L~1范数或者C(X)范数的阶。其次,我们研究了非独立同分布抽样下的学习算法。该类算法包括最小二乘正则化回归和二分类问题。在过去的几年里,学术界对独立同分布下的正则化回归算法的理论分析有了重大进展。但是,无论独立或同分布都是一个相当严格的假设。在现实的数据分析中,如Shannon抽样,randomized抽样或者弱相依抽样都不满足这样的条件。我们的设置不要求独立或者同分布条件。在抽样的边际分布序列满足在H(o|¨)lder空间的对偶空间中指数收敛的条件,和抽样序列满足多项式弱相依条件下,我们得到了和假设空间容量无关的逼近阶。而且当弱相依抽样的条件弱到接近独立抽样的时候,我们的逼近阶和独立同分布抽样下的逼近阶是一致的。对于非同分布下的二分类算法,我们也得出了满意的额外分类误差的与假设空间容量有关的逼近阶。
（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。
非独立同分布抽样论文参考文献
[1].李真.《概率论与数理统计》中定理的联系教学--以独立同分布的中心极限定理和样本均值的抽样分布定理为例[J].赤峰学院学报(自然科学版).2018
[2].潘志伟.统计学习算法：多分类及非独立同分布抽样下的回归[D].中国科学技术大学.2009