第1章 绪论 1
1.1 小样本多元数据分析问题的背景 1
1.2 小样本多元数据分析的特点 4
1.2.1 小样本多元数据分析的假设条件 4
1.2.2 多元线性回归分析中样本容量问题的讨论 5
第2章 多元线性回归分析 10
2.1 多元线性回归分析原理 10
2.1.1 多元线性模型的形式和参数估计 10
2.1.2 模型的假设检验 12
2.2 实例分析 15
第3章 偏最小二乘回归分析 22
3.1 偏最小二乘回归方法概述 22
3.2 偏最小二乘回归分析的原理 24
3.2.1 偏最小二乘回归分析的算法和思路 24
3.2.2 偏最小二乘回归的建模步骤 26
3.2.3 交叉有效性分析 28
3.3 偏最小二乘回归的辅助分析技术 30
3.3.1 变量投影重要性分析 30
3.3.2 X 和 y 之间相关关系分析 31
3.3.3 特异样本的判别 32
3.4 实例分析 33
3.5 偏最小二乘回归与其他回归方法的比较 40
第4章 方差分量线性模型 44
4.1 问题提出的背景 44
4.2 方差分量线性模型的分析方法 45
4.2.1 方差分量线性模型的基本概念 45
4.2.2 方差分量线性模型的参数估计 47
4.3 实例分析 52
第5章 自变量筛选和综合特征参数模型 58
5.1 自变量筛选方法 59
5.1.1 自变量筛选方法分析 59
5.1.2 灰色关联度分析方法的探讨 64
5.2 综合特征参数模型 69
5.2.1 综合特征参数模型的特点 69
5.2.2 战斗机常用综合特征参数的构建 71
第6章 贝叶斯统计分析方法 74
6.1 贝叶斯统计分析的基本理论 74
6.2 贝叶斯推断 78
6.2.1 先验获取 78
6.2.2 点估计 83
6.2.3 可信区间 85
6.2.4 假设检验 86
6.3 贝叶斯多元数据分析模型 87
6.3.1 多元线性模型 88
6.3.2 广义线性模型 94
6.3.3 近似方法 96
6.3.4 案例分析 97
6.4 贝叶斯网络 99
6.4.1 贝叶斯网络的结构及建立方法 100
6.4.2 贝叶斯网络的语义 102
6.4.3 贝叶斯网络的推断 103
6.4.4 学习贝叶斯网络 105
第7章 统计学习理论与支持矢量机 109
7.1 机器学习基本原理 110
7.1.1 学习问题的表示 110
7.1.2 经验风险最小化归纳原则 111
7.1.3 学习的复杂性与推广性分析 113
7.2 统计学习理论 114
7.2.1 学习过程一致性 114
7.2.2 函数集的 VC 维 116
7.2.3 学习机器推广性的界 121
7.2.4 结构风险最小化归纳原则 123
7.3 支持矢量机 125
7.3.1 最优分类超平面 126
7.3.2 广义最优分类超平面 128
7.3.3 支持矢量机 129
7.3.4 支持矢量回归估计 131
7.3.5 最小二乘支持矢量机 133
7.4 基于支持矢量机的 R&D 项目中止决策 135
7.4.1 构建支持矢量机多元分类器 136
7.4.2 基于 SVM 的 R&D 项目中止决策模型 136
7.4.3 R&D 项目中止决策实例分析 137
7.5 支持矢量机对多参数武器装备费用预测 139
7.5.1 装备费用的 SVR 预测模型 140
7.5.2 装备费用预测实例 141
7.6 可靠性分布模式智能识别 143
7.6.1 SOM 网络算法 144
7.6.2 改进 SOM 网络算法 144
7.6.3 构建可靠性分布模式 145
7.6.4 基于复合结构的智能识别 146
第8章 其他分析方法的探讨 153
8.1 人工神经网络的建模分析 153
8.1.1 BP 神经网络建模原理 153
8.1.2 基于 Matlab 的 BP 网络分析实例 158
8.2 模糊系统的建模分析 162
8.2.1 ANFIS 系统的建模原理 163
8.2.2 基于 Matlab 的 ANFIS 系统分析实例 166
参考文献 169