莆田专业网站制作,网站查询功能代码,微网站开发与制作个人总结,建大网站文章目录 什么是m估计怎么求解m估计呢#xff1f;Huber函数时的线性m估计 什么是m估计 自20世纪60年代稳健统计建立以来#xff0c;在国内外众多学者的研究之下#xff0c;诞生了一系列稳健统计重要理论和成果。其中最主要且广泛使用的稳健统计有以下三类#xff1a; L-e… 文章目录 什么是m估计怎么求解m估计呢Huber函数时的线性m估计 什么是m估计 自20世纪60年代稳健统计建立以来在国内外众多学者的研究之下诞生了一系列稳健统计重要理论和成果。其中最主要且广泛使用的稳健统计有以下三类 L-estimators (linear combinations of order statistics of the observations);R-estimators (estimator based on waste ranking);M-estimators (generalizations of a Maximum Likelihood estimator) m估计可以翻译为通用的最大似然估计其是由Huber提出的是最常用的稳健统计方法。其标准形式为 min ⁡ S ( x j ) min ⁡ ∑ i 1 n ρ ( r i ) (1) \min{S(x_j)}\min \sum_{i1}^n \rho(r_i)\tag{1} minS(xj​)mini1∑n​ρ(ri​)(1) S 为目标函数 x j 为估计参数 ρ ( ) 为残差函数 , r i 为残差 S为目标函数x_j为估计参数\rho()为残差函数,r_i为残差 S为目标函数xj​为估计参数ρ()为残差函数,ri​为残差。 ρ ( ) 残差函数需要满足以下性质 \rho()残差函数需要满足以下性质 ρ()残差函数需要满足以下性质 连续性偶函数非负性通过原点在正半轴单调递增。 提出了很多的残差函数Huber, l1-l2, Fair, Cauchy, Geman-McClure, Welsch, and Tukey estimators等等。 怎么求解m估计呢 通常使用迭代加权最小二乘(Iterative Reweight Least Square, IRLS有时也叫迭代选权最小二乘)求解m估计。具体过程如下 要求解的式1一般需要对其求一阶偏导 ∂ S ∂ x j ∑ i 1 m d ρ ( r i ) d r i ∂ r i ∂ x j 0 , j 0 , … , n (2) \frac{\partial S}{\partial x_j}\sum_{i1}^m \frac{d \rho\left(r_i\right)}{d r_i} \frac{\partial r_i}{\partial x_j}0, j0, \ldots, n\tag{2} ∂xj​∂S​i1∑m​dri​dρ(ri​)​∂xj​∂ri​​0,j0,…,n(2)令 ρ ( r ) \rho(r) ρ(r) 的一阶导数梯度为 ψ ( r ) a ρ ( r ) d r ψ ( r ) \psi(r)\frac{a \rho(r)}{d r} \psi(r) ψ(r)draρ(r)​ψ(r) 在M估计中被叫做影响力函数(Influence Function); 令 w ( r ) ψ ( r ) r w(r)\frac{\psi(r)}{r} w(r)rψ(r)​ 该函数在M估计中被叫做权重函数(Weight Function) 将 ( 2 ) (2) (2) 变形: ∂ S ∂ x j ∑ i 1 m d ρ ( r i ) d r i ∂ r i ∂ x j ∑ i 1 m ψ ( r i ) ∂ r i ∂ x j ∑ i 1 m w ( r i ) r i ∂ r i ∂ x j 0 (3) \frac{\partial S}{\partial x_j}\sum_{i1}^m \frac{d \rho\left(r_i\right)}{d r_i} \frac{\partial r_i}{\partial x_j}\sum_{i1}^m \psi\left(r_i\right) \frac{\partial r_i}{\partial x_j}\sum_{i1}^m w\left(r_i\right) r_i \frac{\partial r_i}{\partial x_j}0\tag{3} ∂xj​∂S​i1∑m​dri​dρ(ri​)​∂xj​∂ri​​i1∑m​ψ(ri​)∂xj​∂ri​​i1∑m​w(ri​)ri​∂xj​∂ri​​0(3) 如果 w ( r i ) w\left(r_i\right) w(ri​) 是一个常数比如用上一次迭代优化的结果 x k x^k xk 的残差替换: ∑ i 1 m w ( r i k ) r i ∂ r i ∂ x j 0 (4) \sum_{i1}^m w\left(r_i^k\right) r_i \frac{\partial r_i}{\partial x_j}0\tag{4} i1∑m​w(rik​)ri​∂xj​∂ri​​0(4) 式4等价于 argmin ⁡ x 1 2 ∑ i 1 m w i ( r i k ) . r i ( x ) 2 \underset{x}{\operatorname{argmin}} \frac{1}{2} \sum_{i1}^m w_i\left(r_i^k\right). r_i(x)^2 xargmin​21​∑i1m​wi​(rik​).ri​(x)2,即等价于加权最小二乘求解问题。由于权重函数的数值不是固定的因此我们很自然地想到通过多次迭代求解加权最小二乘来得到的最终的 x x x.因此迭代加权最小二乘算法步骤如下 1获取 x x x初值线性最小二乘可以通过 x 0 ( X T X ) − 1 X T Y x_0(X^TX)^{-1}X^TY x0​(XTX)−1XTY,非线性问题可以通过别的方式获得(2)利用得到的 x k x_k xk​计算 ψ ( r ) \psi(r) ψ(r)再计算 w ( r ) w(r) w(r)(3)利用权重求解 argmin ⁡ x 1 2 ∑ i 1 m w i ( r i k ) . r i ( x ) 2 \underset{x}{\operatorname{argmin}} \frac{1}{2} \sum_{i1}^m w_i\left(r_i^k\right). r_i(x)^2 xargmin​21​∑i1m​wi​(rik​).ri​(x)2获得新的 x k 1 x_{k1} xk1​.非线性问题可以通过梯度法牛顿高斯法牛顿法共轭梯度法或者lm方法求解线性问题可以利用 x k 1 ( X T W X ) − 1 X T W Y , W 为权重 x_{k1}(X^TWX)^{-1}X^TWY,W为权重 xk1​(XTWX)−1XTWY,W为权重(4)若 ∣ x k 1 − x k ∣ ε |x_{k1}-x_{k}|\varepsilon ∣xk1​−xk​∣ε或者大于迭代次数,终止迭代否则返回第二步 Huber函数时的线性m估计 对于Huber而言 ρ ( r ) { r 2 2 , ∣ r ∣ ≤ k k ∣ r ∣ − k 2 2 , ∣ r ∣ k \rho(r) \begin{cases}\frac{r^2}{2}, |r| \leq k \\ k|r|-\frac{k^2}{2}, |r|k\end{cases} ρ(r){2r2​,k∣r∣−2k2​,​∣r∣≤k∣r∣k​ φ ( r ) \varphi(\mathrm{r}) φ(r) 为 ρ ( r ) \rho(\mathrm{r}) ρ(r) 的导数 φ ( r ) { − k r − k r ∣ r ∣ ≤ k k r k \varphi(r)\left\{\begin{array}{cc} -k r-k \\ r |r| \leq k \\ k rk \end{array}\right. φ(r)⎩ ⎨ ⎧​−krk​r−k∣r∣≤krk​ 权重函数 w ( r ) w(r) w(r): w ( r ) { − k r r − k 1 ∣ r ∣ ≤ k k r r k w(r)\left\{\begin{array}{cc} \frac{-k}{r} r-k \\ 1 |r| \leq k \\ \frac{k}{r} rk \end{array}\right. w(r)⎩ ⎨ ⎧​r−k​1rk​​r−k∣r∣≤krk​ 已知线性函数的自变量为 x i x_i xi​,因变量为 y i y_i yi​,设线性函数为 a x b 0 axb0 axb0,有残差 r i a x i b − y i r_iax_ib-y_i ri​axi​b−yi​令: A [ x 1 1 x 2 1 . . . x i 1 . . . x n 1 ] , Y [ y 1 y 2 . . . y i . . . y n ] , A \begin{bmatrix} x_11\\ x_21\\ ...\\ x_i1\\ ...\\ x_n1 \end{bmatrix}, Y\begin{bmatrix} y_1\\ y_2\\ ...\\ y_i\\ ...\\ y_n \end{bmatrix}, A ​x1​x2​...xi​...xn​​1111​ ​,Y ​y1​y2​...yi​...yn​​ ​, 有 r A [ a , b ] T − Y rA[a,b]^T-Y rA[a,b]T−Y 对于最小二乘直接解为 a , b ( X T X ) − 1 X T Y a,b(X^TX)^{-1}X^TY a,b(XTX)−1XTY,对于加权最小二乘直接解为 a , b ( X T W X ) − 1 X T W Y , W a,b(X^TWX)^{-1}X^TWY,W a,b(XTWX)−1XTWY,W为权重. codes: #include iostream #includeEigen/Core #includeEigen/Dense int main() {const int size 7;const double k 1.5;//huber超参数//y2x1double x[size]{ 1.0,2.1,2.9,5.01,8.093,6.0,3.0 };double y[size]{ 3.02,4.97,7.1,10.88,17.06 ,2.0,17.6};//初值Eigen::MatrixXd A Eigen::MatrixXd::Zero(size, 2);Eigen::MatrixXd Y Eigen::MatrixXd::Zero(size, 1);for (size_t i 0; i size; i){A(i, 0) x[i];A(i, 1) 1;Y(i, 0) y[i];}Eigen::MatrixXd ab0 (A.transpose()*A).inverse()*A.transpose()*Y;std::cout ab0 std::endl;//残差Eigen::MatrixXd R Eigen::MatrixXd::Zero(size, 1);Eigen::MatrixXd W Eigen::MatrixXd::Zero(size, size);//对角阵//初值double a_k ab0(0, 0);double b_k ab0(1, 0);int iter_times 1;while (true){for (size_t j 0; j size; j){//计算残差R(j, 0) a_k * x[j] b_k - y[j];//计算Huber权重if (R(j, 0)-1.0*k){W(j, j) -1.0*k / R(j, 0);}else if (std::abs(R(j, 0)) k){W(j, j) 1.0;}else if (R(j, 0) k){W(j, j) k/ R(j, 0);}}Eigen::MatrixXd ab (A.transpose()*W*A).inverse()*A.transpose()*W*Y;iter_times;if (std::abs(ab(0,0)-a_k)1e-3std::abs(ab(1, 0) - b_k) 1e-3){std::cout ab std::endl;break;}else if(iter_times20){std::cout ab std::endl;break;}else{a_kab(0,0);b_k ab(1, 0);}}std::cout Hello World!\n; std::cout iter_times std::endl; }结果 a01.09263 b04.56053 a1.83641 b1.58977 直线h为直接最小二乘计算的结果直线p为m估计的结果。 参考 1 2 3 4 《A review on robust M-estimators for regression analysis》 《ROBUST ESTIMATION IN ROBOT VISION AND PHOTOGRAMMETRY: A NEW MODEL AND ITS APPLICATIONS》