基于后验风险确定故障样本量的Bayes方法

针对目前测试性故障样本量的确定方法过于粗糙和试验样本量过大的问题,提出了合理运用信息熵方法对装备系统各单元的测试性先验信息进行信息融合,得到装备系统级测试性试验数据。在此基础上得到测试性指标的先验分布,并进一步通过Bayes后验风险准则确定故障样本量及试验方案。以某型电动舵机系统各模块的试验数据为例,以故障检测率为测试性指标,经过分析和计算,发现运用所提方法得到的故障样本量相比传统方法明显减少,从而减少了试验成本,同时得到的测试性指标相对误差较小,保证了可信度。     

利用先验信息修正经典限的可靠性评估方法

讨论可靠性评估中利用先验信息的问题 .在参数先验分布容易确定的场合 ,可利用先验信息对参数的经典估计进行修正 (即给出 Bayes估计 ) ,再基于该估计用经典的 WCF方法给出系统可靠度的置信下限 .该方法具有很好的精度 ,并克服了纯 Bayes方法受先验偏差影响较大的缺点 .文章对上述进行了补充 ,讨论了指数定时截尾数据情形下利用先验信息的可靠性评定问题 .给出了一种融合先验信息和试验数据的参数估计 ,该估计的特点是具有独立和的形式 ,基于该估计用 WCF法比基于通常的 Bayes估计简单 .另外 ,对参数先验分布难以确定的多参数寿命分布模型 (如 Weibull分布 ,本文在仅知其可靠度先验分布或可靠度先验一阶、二阶矩及可靠度的某先验分位点的条件下 (事实上工程专家较易给出上述可靠度的有关先验信息 ) ,将 Bayes,Fiducial及经典统计方法相结合 ,用可靠度的先验信息直接对可靠度的经典限作修正以获得融合了先验信息及试验数据的置信下限 ,模拟表明该种处理具有很好的精度 ,适合工程应用.     

基于区间型数据的金融时间序列预测研究

提出了金融数据预测新方法——区间型时间序列模型,是传统时间序列模型的拓展.在与传统的点值AR模型、VAR模型以及Na?ve模型的比较分析中发现,区间数据模型的预测精度更高,区间高价和区间低价预测误差均较小,而且具有统计显著性.进一步,不同的估计样本量、数据频度以及不同市场特征的区间价格数据对区间模型的稳定性检验再次验证了区间数据模型的可靠性.区间型金融时间序列预测研究不仅为金融问题的定量分析提供了新的视角,也可为政策制定和交易策略实施提供了更丰富的决策参考信息.     

估计GM(1,1)模型中参数的线性规划方法

估计GM(1,1)模型中的参数通常采用最小二乘准则,而在模型精度检验时又常采用平均相对误差。在平均相对误差达到最小准则或最大相对误差达到最小准则时,分别给出了估计GM(1,1)模型中参数的线性规划方法,并通过实例给出了不同极小化准则下数值结果的对比。数值结果表明,采用平均相对误差达到最小准则和最大相对误差达到最小准则比通常采用的最小二乘准则更合理,效果更好。     

基于改进两阶段法和自助法的寿命数据分析

加速寿命试验的样本量通常很小而且截尾会很严重,这样会使得求得的极大似然统计量产生很大的偏差,进而影响到估计的准确度和精度.本文对两阶段法做了较大改进:证明了当各组数据服从Weibull分布且数据类型为无截尾或typeⅡ截尾时,存在两个关于形状参数和尺度参数的枢轴量,并采用无偏因子法修正极大似然统计量;考虑到异方差性,用加权最小二乘法替代最小二乘法估计加速模型的系数.根据两阶段方法不能采用Fisher信息矩阵计算分位数置信区间的缺点,用自助法获得置信区间.本文通过一个实例阐述改进的两阶段法的分析过程.另外,本文用相对偏差和均方误差根作为评判分析方法的准则,将改进的两阶段法和极大似然法在不同的分位点处的寿命估计作了对比.仿真结果表明,改进的两阶段法在低分位点处的寿命估计更优.     

变参数指数分布先验信息的折合

针对高可靠性复杂系统试验数据少、寿命试验中分布参数变动的特点,讨论了多阶段环境试验下,变参数指数分布先验信息的折合方法。提出了指数分布折合因子的概念,通过该折合因子将不同阶段试验数据折合为现场试验数据,以此作出指数分布中未知参数的折合区间估计和点估计。在寿命分布为指数分布的可靠性增长试验中,在现场样本量较小的情况下,将同分布的历史试验数据进行折合,进而运用Bayes方法评估系统失效率等有重要的意义。最后通过仿真实例验证了该方法的有效性。     

基于逆高斯纹理分布的协方差矩阵估计方法

在复合高斯杂波中检测目标信号, 需要对杂波协方差矩阵进行估计, 相应的检测性能与估计精度密切相关。利用服从逆高斯分布的纹理分量来对复合高斯杂波进行建模, 可以更好地拟合高分辨杂波实测数据。本文给出了一种两步广义似然比检测器, 先假设杂波协方差矩阵已知以获得检测统计量, 再利用纹理分量的先验分布推导协方差矩阵的最大似然估计。同时，基于贝叶斯方法, 假定纹理分量和协方差矩阵均为服从某种先验分布的随机量, 推导了协方差矩阵的最大后验估计。仿真结果显示, 基于知识的自适应检测技术由于引入了纹理分量和杂波的先验信息, 其协方差矩阵的估计精度好于最大似然估计和样本估计方法, 同时具有更好的检测性能。     

估计Verhulst 模型中参数的线性规划方法及应用

估计灰色Verhulst模型中的参数通常采用最小二乘准则,而在模型精度检验时又经常采用平均相对误差.本文主要在平均相对误差达到最小准则或最大相对误差达到最小准则下,阐明了Verhulst模型中参数估计问题可转化为线性规划问题,可以利用线性规划方法估计Verhulst模型中的参数.实际应用表明本文的方法是可行的且有效的,比传统方法预测精度高.     

基于虚拟失效序列样本的系统实时可靠性研究

针对一类不能获得足够数量的试验和现场使用数据的复杂系统,提出Monte Carlo(MC)实时可靠性估计方法.以系统部件失效时间序列作为样本空间,应用MC法仿真产生更多的虚拟样本,建立了虚拟样本序列下系统实时可靠性估计的一般框架,并研究了MC估计的期望和方差与先验信息之间的关系,得到了具有包含关系的信息条件下,基于较少先验信息的估计的方差不超过拥有更多先验信息的估计的方差.考虑所有部件失效时间序列和导致系统失效的部分部件失效时间序列的先验信息,分别导出了系统实时可靠性模型.最后,通过算例分析,验证了本文不同先验信息下可靠性模型的有效性和方法的合理性.     

融合先验信息的贝叶斯网络结构学习方法

在贝叶斯网络结构学习的过程中,如何采集先验信息并合理利用它对于构建准确的网络结构非常重要。鉴于此,依据有先验信息的贝叶斯网络结构学习的三个环节：先验信息的采集、先验信息的融合和网络结构的优化,首先讨论了现有先验信息获取方法的不足,并提出了基于信念图的先验信息获取方法;其次针对所获取的先验信息通常具有一定的不确性,对最小描述长度测度进行了改进以融合非确定性先验信息;最后依据问题特性对模拟退火算法进行了适当的修改以更好地优化网络结构。实验表明,提出的结构学习方法能够有效地提高网络结构的学习精度。     

BICM-OFDM中基于ML算法的迭代信道估计

基于最大似然估计(ML),提出了一种新的联合译码的迭代信道估计算法。该算法利用比特交织编码调制(BICM)中迭代译码的硬判决信息,进行信道估计与译码之间的信息交换。在基于BICM的OFDM系统(BICM-OFDM)中,在短波宽带信道下的仿真结果表明,经过4次迭代,系统的误码率性能收敛。与传统ML算法相比,算法可有效的提高估计精度。     

Robust estimation algorithm for multiple-structural data

This paper proposes a robust method of parameter estimation and data classification for multiple-structural data based on the linear error in variable (EIV) model. The traditional EIV model fitting problem is analyzed and a robust growing algorithm is developed to extract the underlying linear structure of the observed data. Under the structural density assumption, the C-steptechnique borrowed from the Rousseeuw's robust MCD estimator is used to keep the algorithm robust and the mean-shift algorithm is adopted to ensure a good initialization. To eliminate the model ambiguities of the multiple-structural data, statistical hypotheses tests are used to refine the data classification and improve the accuracy of the model parameter estimation. Experiments show that the efficiency and robustness of the proposed algorithm.     

小样本数据的三种区间估计方法性能分析

针对小样本数据的区间估计问题,将Bootstrap分析方法中的重复抽样思想引入到灰色估计理论中,提出改进的小样本区间估计算法。该算法首先对原始样本进行抽样处理获取新样本,然后基于灰色距离测度计算满足一定灰色置信度的灰色置信区间。针对3种不同灰色距离测度方法得到的置信区间,选择区间位置和区间宽度作为评价指标,以严谨的数学证明分析比较3种区间估计方法的性能。理论分析结果表明,灰色估计值离样本中最小值的距离最远是第3种方法置信区间位置最优的充分不必要条件;3种方法置信区间宽度的相互关系仅由灰色置信度决定。最后通过仿真验证了所提算法的有效性以及理论分析结果的正确性。     

一种基于“独立性差”的分类学习新算法

从"独立性差"角度出发,提出了ISE准则下的"独立性差"估计新方法(difference of independence estimation,DOIE).从数学模型上证明该算法与单类SVM等价且可用于解决分类问题.当数据集规模较大时,该算法的优势在于可用较少样本点表示两数据集中样本点间的关系,在保证精度的前提下,提高运算速度.该算法还可应用于两数据集独立性判断、检测流数据分布改变点的位置.若退化为单类数据集,可应用于概率密度估计.Benchmark和UCI数据集上的实验表明,该算法具有较好的性能.     

基于凸约束下泰勒估计的主瓣干扰抑制算法

针对真实信号协方差矩阵估计难以直接获取及低快拍条件下传统采样协方差矩阵存在较大误差的问题,提出了基于凸约束下泰勒估计的抗主瓣干扰波束形成算法。该算法首先利用凸约束下的泰勒估计法在低快拍数条件下对信号协方差矩阵进行估计。其次利用多信号分类算法进行波达方向估计,筛选主瓣干扰对应特征矢量。而后利用特征投影矩阵法对主瓣干扰进行抑制。最后,通过添加线性约束获得权值矢量进行波束形成。仿真结果显示,在低快拍数条件下,所提算法对信号协方差矩阵具有更高的估计精度,波束形成性能稳健且具有更高的输出信干噪比。     

基于root-RARE算法的非同构分布式阵列高精度方向估计

针对非同构分布式阵列无法使用旋转不变子空间算法(estimation of signal parameters via rotation invariant technique algorithm, ESPRIT),同时为了提高非同构分布式阵列的角度估计精度,提出基于求根降秩算法(root rank reduction estimator, root-RARE)的目标波达方向估计方法。由于分布式阵列的基线长度远大于半波长,合成方向图出现栅瓣,导致测角模糊。算法以root-RARE与多重信号分类算法(multiple signal classification, MUSIC)联合解模糊,以root-RARE得到的粗估计为参考,解整个非同构分布式阵列MUSIC谱估计的模糊,从而得到高精度无模糊的估计。推导非同构分布式阵列方向估计的克拉美罗界,分析算法的波达方向估计性能,同时分析分布式阵列方向估计时的基线模糊门限与信噪比门限之间的关系。仿真结果验证所提算法方向估计的正确性及有效性。     

Nakagami信道基于16APSK的加权信噪比估计算法

自适应编码调制(adaptive coded modulation, ACM)技术是一种提高无人机(unmanned aerial vehicle, UAV)数据链吞吐量性能的有效方法,信道估计的准确性是决定ACM系统性能的关键因素之一,直接影响UAV数据链的吞吐量性能。首先对Nakagami衰落信道进行分析建模,推导了信号经过衰落信道后的表示方法。其次对Nakagami衰落信道下基于多进制数字相位调制(multiple phase shift keying, MPSK)的信噪比(signal-to-noise ratio, SNR)估计算法进行推导和分析,仿真结果表明三阶矩(third order moments, M3)SNR估计算法比传统的二〖JP2〗阶矩四阶矩(second and fourth moments, M2M4)SNR估计算法具有更好的估计性能。最后,针对Nakagami衰落信道下的现有估计算法对非恒包络调制信号估计性能差的问题,提出了一种适用于非恒包络的16阶振幅移相键控(amplitude phase shift keying, APSK)信号的加权SNR估计算法,该算法利用接收信号的先验信息和信号的阶矩关系进行SNR估计,具有复杂度低,估计精度高等优势。理论分析与仿真结果表明:所提出的算法可以有效地对16APSK调制信号进行SNR估计,且相比于M2M4算法,利用M3信息进行信道估计的加权SNR估计算法具有更高的估计精度。     

基于差分对数交叉熵的信噪比盲估计算法

针对盲估计算法复杂度高、运算量大等问题，研究了Turbo译码器中译码器输出的外部信息与信息信噪比的关系，引入差分对数交叉熵的概念。提出一种基于差分对数交叉熵的信噪出盲估计算法。仿真结果说明，采用此信噪比盲估计算法，在较小的系统性能恶化的前提下，大大简化了信道估计器的复杂度。对基于差分对数交叉熵的信噪比盲估计算法的误差性能的理论分析结果表明，采用此算法发生误判的概率很低，可以认为信噪比估计值十分可靠。     

基于声矢量传感器阵列的空速估计算法

研究了一种新型的空速测量方法。通过引入大气声学中的有效声速概念,建立了稳定气流作用下声矢量传感器阵列的近场输出模型,模型的阵列流形矢量中包含了待估计的空速信息。在此基础上提出了一种基于多重信号分类(multiple signal classification, MUSIC)的空速估计（airspeed estimation,ASE）算法,该算法可用于对空速的高精度估计。为了降低计算复杂度,进一步提出了一种快速的空速估计（fast airspeed estimation, FASE）算法,该算法虽然在ASE的精度上不如MUSIC ASE算法,但无需谱搜索,具有更强的实时性。最后,对算法的估计性能进行分析,推导了ASE的克拉美〖CD*2〗罗界表达式。仿真实验验证了算法的有效性。     

基于空谱信息协同与Gram-Schmidt变换的多源遥感图像融合方法

多光谱和合成孔径雷达图像的融合可以保留每个数据的优势, 有利于提高土地覆盖分类精度。然而, 当前的一些图像融合方法不能完全利用原始数据的光谱信息与纹理细节。为了克服上述问题, 提出一种基于空谱信息协同和Gram-Schmidt变换的融合方法。在所提方法中, Sentinel-2A图像和高分三号(GaoFen-3, GF-3)图像分别经过不同的预处理操作。由于灰度共生矩阵能有效提取图像的纹理信息, 因此将其应用于Sentinel-2A图像以提取结构特征, 并将空谱信息协同的多光谱图像与GF-3图像通过Gram-Schmidt变换进行融合。实验采用主成分分析法和传统的Gram-Schmidt变换作为比较方法。为了确定融合算法的有效性, 采用5项评价指标(包括平均梯度、空间频率、均值、标准差和相关系数)来衡量融合图像的质量。此外, 由于随机森林具有优秀的训练速度和出色的分类性能, 将其用于土地覆盖分类。随机森林的分类精度、Kappa系数和分类结果图作为融合方法的评价标准。实验结果表明, 与单独使用原始Sentinel-2A相比, 所提方法可以将整体精度提高多达5%, 具有提高遥感卫星图像土地覆盖分类精度的潜力。