The purpose of this paper is to investigate the mean size formula of wavelet packets （wavelet subdivision tree） on Heisenberg group. The formula is given in terms of the p-norm joint spectral radius. The vector refi...The purpose of this paper is to investigate the mean size formula of wavelet packets （wavelet subdivision tree） on Heisenberg group. The formula is given in terms of the p-norm joint spectral radius. The vector refinement equations on Heisenberg group and the subdivision tree on the Heisenberg group are discussed. The mean size formula of wavelet packets can be used to describe the asymptotic behavior of norm of the subdivision tree.展开更多
在林业研究中,胸径-树高二元联合分布多由相同边缘分布构造,而林分的胸径与树高的实际分布状况可能有所差异。为降低这种差异带来的影响,依据佳木斯市孟家岗林场的115块长白落叶松人工林数据,选择适用条件低、适应范围广的Copula函数方...在林业研究中,胸径-树高二元联合分布多由相同边缘分布构造,而林分的胸径与树高的实际分布状况可能有所差异。为降低这种差异带来的影响,依据佳木斯市孟家岗林场的115块长白落叶松人工林数据,选择适用条件低、适应范围广的Copula函数方法拟合落叶松胸径-树高二元联合分布模型。首先选择威布尔(Weibull)、广义威布尔(G-Weibull)、逻辑斯蒂(Logistic)、轻量逻辑斯蒂(Logit-Logistic)、伽马(Gamma)、对数正态(Log-Normal)6个分布函数作为备选基础模型,根据K-S(kolmogorov smirnov test)检验与半参数估计结果筛选并构建Copula胸径-树高二元联合分布模型,再通过负对数似然(negative log-likelihood,NLL)、Sn拟合优度统计量和似然比检验(likelihood ratio test,LRT)与二元对数logistic分布函数和二元Weibull分布函数进行比较,最后使用雷诺误差指数(error index of Reynolds,EI)对模型预测能力进行评估。结果表明,基于Copula函数的二元分拟合结果与模型(EI=0.3184)预估能力皆优于二元Weibull分布(EI=0.6381)和二元对数Logistic分布(EI=0.9490),说明此方法构建胸径-树高二元联合Copula分布模型能够很好地描述落叶松人工林胸径树高联合分布,以Copula方法构建树高-胸径联合分布是可行的。展开更多
基金the National Natural Science Foundation of China (10471123 10771190)
文摘The purpose of this paper is to investigate the mean size formula of wavelet packets （wavelet subdivision tree） on Heisenberg group. The formula is given in terms of the p-norm joint spectral radius. The vector refinement equations on Heisenberg group and the subdivision tree on the Heisenberg group are discussed. The mean size formula of wavelet packets can be used to describe the asymptotic behavior of norm of the subdivision tree.
文摘在林业研究中,胸径-树高二元联合分布多由相同边缘分布构造,而林分的胸径与树高的实际分布状况可能有所差异。为降低这种差异带来的影响,依据佳木斯市孟家岗林场的115块长白落叶松人工林数据,选择适用条件低、适应范围广的Copula函数方法拟合落叶松胸径-树高二元联合分布模型。首先选择威布尔(Weibull)、广义威布尔(G-Weibull)、逻辑斯蒂(Logistic)、轻量逻辑斯蒂(Logit-Logistic)、伽马(Gamma)、对数正态(Log-Normal)6个分布函数作为备选基础模型,根据K-S(kolmogorov smirnov test)检验与半参数估计结果筛选并构建Copula胸径-树高二元联合分布模型,再通过负对数似然(negative log-likelihood,NLL)、Sn拟合优度统计量和似然比检验(likelihood ratio test,LRT)与二元对数logistic分布函数和二元Weibull分布函数进行比较,最后使用雷诺误差指数(error index of Reynolds,EI)对模型预测能力进行评估。结果表明,基于Copula函数的二元分拟合结果与模型(EI=0.3184)预估能力皆优于二元Weibull分布(EI=0.6381)和二元对数Logistic分布(EI=0.9490),说明此方法构建胸径-树高二元联合Copula分布模型能够很好地描述落叶松人工林胸径树高联合分布,以Copula方法构建树高-胸径联合分布是可行的。
