《表5 Sub LQR方法分类个数及最优分位点(最后一次迭代)》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《稳健高效的高维成分数据近似零值插补方法及应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

通过图5不难发现，当数据中存在少部分异常值时，本文提出的SubLQR方法非常稳健高效，无论是在A-ADIST衡量的与原始数据的绝对距离，还是在RDCM衡量的相对距离下均表现最优，误差最小。并且，当零值占比较大时，SubLQR方法优势更加明显。表5同时给出了设定离群样本后SubLQR算法中的分类个数及最优分位数，数据结果也能一定程度显示存在离群样本情形下插补过程的稳健性，且当数据存在零值和异常值时，高分位数的回归插补效果往往较好。