确定统计学习机参数结构的识别函数方法

本文提出了一种用于确定统计学习机(SLM)参数结构的识别函数(IF)方法。 这涉及研究三个相关方面:结构可识别性(SI),参数冗余(PR)和重新参数化。 首先,通过在黎曼几何中采用秩定理,我们通过计算中频导数矩阵(DM)的秩来推导有效的可识别性准则。 其次,我们将IF的先前概念扩展到用于检查SLM局部参数结构的局部IF(LIF),并证明Kullback-Leibler散度(KLD)就是这样一种适当的LIF,从而将LIF方法与几个现有标准相关联。 最后,建立了一种求解参数冗余模型中最小化重新参数化的分析方法。 最小重参数化的维数可用于表征模型的固有参数维数。 我们将IF方法与现有标准进行比较,并从理论和应用角度讨论其优缺点。 提出了一些文献中的模型实例来研究其参数结构。