噪声信道的鲁棒图像编码

在一鲁棒图像编码方案的基础上提出了一种改进方案。通过改变部分比特输出的先后次序，保留它将SPIHT输出比特分类以体现各类信息的重要性及出错敏感性，使用不等保护能力纠错编码，并且利用图像小波系数数据幅度的非均匀分布规律，解码时添加后处理步骤，将小波系数适当减小，得到更高质量的图像。该方案算法简单，在实现鲁棒编码结构的同时提高了压缩效率。失真率分析和实验结果都表明该方案提高了峰值信噪比，从而改进了压缩效率。     

基于鲁棒学习的鲁棒RBF神经网络

提出了一种基于鲁棒学习的鲁棒RBF神经网络。使用聚类方法选择RBF网络隐结点的中心,以鲁棒代价函数为目标函数,采用梯度下降法调整隐层结点的宽度和网络权值,从而使RBF网络的学习过程不受离群点的影响,并且能够快速收敛。仿真实验结果表明了RBF神经网络的鲁棒优越性。     

鲁棒极点配置方法

研究一类线性多变量系统的鲁棒极点配置问题，提出了一种基于极点配置和目标函数优化的鲁棒极点配置方法。基本思想是，利用极点配置的参数化表示结果，以系统输出的Ｌ∞范数作为极点配置寻优的准则函数，通过解优化问题的途径确定极点配置问题中的自由参数。     

适合于实现的鲁棒通讯方法

由Ｐａｒｌｉｔｚ Ｕ和Ｅｒｇｅｚｉｎｅｒ Ｓ提出的鲁棒通讯方法要求发射器和接收器产生完全相同的混沌序列，这在实现上是有困难的。本文改善了这一方法。改善后的方法不仅对外噪声是鲁棒的，而且适合于实现。     

线性系统状态估计器的鲁棒设计方法

在考虑对噪声不确定系统的状态估计器进行鲁棒设计的条件下，提出一种新的简化性能指标函数，据此设计的状态估计器，设计过程为简单直观。     

一种鲁棒回归支持向量机及其学习算法

为了提高支持向量机的泛化能力,给出了一个鲁棒损失函数,利用它建立了鲁棒支持向量机,并利用对偶原理推导出其对偶优化问题的形式,在此基础上设计了局部梯度算法,在这种算法中每次迭代只改变两个优化变量的值。随后分析了算法的收敛性条件,给出了学习步长的选择依据,最后用一个仿真实例来说明所提出的支持向量机的学习性能,比标准支持向量机具有更好的鲁棒性。     

基于Cauchy鲁棒函数的UKF改进算法

对于大多数实际系统,其噪声统计特性未知,不敏卡尔曼滤波(unscented Kalman filter,UKF)算法对噪声信息不准的鲁棒性较差,导致滤波精度急剧下降,甚至滤波发散。借助鲁棒数据校正的思想,提出了一种基于Cauchy鲁棒函数的UKF改进算法。以UKF的测量先验值与其实际值的残差作为基准,采用联合权函数对噪声估计值进行实时修正,从而提高了UKF算法的精度。通过两个实例的仿真,验证该算法的有效性。     

一种克服噪声的鲁棒Laplacian特征映射算法

针对流形学习算法普遍存在对噪声敏感的问题,提出一种克服噪声的鲁棒Laplacian特征映射算法。该算法从Laplacian特征映射出发,在降维过程中,对样本点的邻域范围采用局部PCA的方法,以识别和剔除包含的噪声点,并在重构低维嵌入坐标的同时保持流形光滑连续的整体性,较好地改善了算法的特征提取性能。实验结果表明,所提算法有效地提高了对噪声的鲁棒性。     

采用反馈的鲁棒系统设计方法

基于多变量系统鲁棒理论和反馈可以减小对象参数变化对输出影响的思想,本提出一种鲁棒系统设计方法和设计内反馈增益矩阵的算法。用该方法对一实际工业对象设计了鲁棒控制系统,结果令人满意。理论分析和实际系统设计结果表明,该方法设计的系统比串联补偿鲁棒设计的系统具有更好的鲁棒稳定性和鲁棒性能。     

具有不确定噪声的离散广义线性系统的鲁棒状态估计

本文研究了一类具有不确定噪声的离散广义线性系统的鲁棒状态估计问题，利用对策论的基本原理，给出了一种比较简单实用的近似估计方法．即最小化不确定下最坏性能的极小极大鲁棒状态估计．     

不同损失函数下艾拉姆咖分布参数的Bayes估计——全样本情形

艾拉姆咖分布在装备的维修理论中具有重要的作用.文中首先给出了这类分布在全样本场合下参数的极大似然估计;由于参数的Bayes估计的优良性与所选取的损失函数有关,因此分别在熵损失、Linex损失、二次损失、平方损失和平衡损失函数下,给出了参数的Bayes估计如2n/(2n∑i=1ti+λ)等,并证明了所给估计都是容许的;通过随机模拟比较了几类估计的均方误差以及与真值的偏差,从这两方面来看,在熵损失和平衡损失函数下θ的Bayes估计是较优的;最后通过一个实例,计算了几类估计的值并进行了分析,显示几类估计值相差不大.     

水文系统抗差权函数分析与检验

抗差权函数的结构设计,是提高抗差估计应用效果的关键。该文的目的是要分析水文模型参数估计问题有效的抗差权函数。论文采用和改进了两种权函数与4种权函数变量,采用了系统参数、输入和输出都是已知真值的理想系统,用两种水文上常见的、具有不同误差统计特点的随机生成模式,每种进行了10万次参数抗差估计试验,通过反复分析与检验,确定了适合于水文问题特点的抗差权函数。     

不同损失函数下不同无信息先验的Bayes估计及比较

讨论了采用损失函数L2（θ,δ）=aθ^m（δ（x）-x）^2时,在二项分布场合下关于产品合格率的不同无信息先验分布下的Bayes估计,并从Bayes风险的角度,对损失函数为L2（θ,δ）=θ（δ（x）-x）^2。的Bayes估计与[1]中所得的Bayes估计进行了比较。从而得出了采用损失函数L2（θ,δ）=θ（δ（x）-x）^2进行Bayes估计较优的结论。     

基于历史样本几何分布可靠度的经验Bayes估计

在几何分布可靠度的先验分布为幂分布时,分别在平方损失函数和熵损失函数的情况下,给出了可靠度的经验Bayes估计,并且证明了θ的Bayes解的唯一性.最后,通过实例验证了几类估计的优良性.     

对称熵损失函数下一类分布族参数的Bayes估计

在对称熵损失函数下,研究一类分布族参数的Bayes估计问题,并讨论了一类逆线性形式估计的可容许性和不可容许性。     

指数平均寿命的Bayes估计关于先验分布的稳健分析

讨论了指数平均寿命的Bayes估计及其后验平均损失,关于先验分布的稳健性。本文所考虑的先验分布类是限制了均值和方差的共轭先验分布类。最后,给出了有关结果的数值计算例子。     

正态和对数正态分布中参数的损失和风险函数的Bayes推断

给出了共轭先验分布下正态模型中尺度参数和对数正态模型中形状参数的损失函数和风险函数的Bayes估计及其为保守估计的一般条件,说明了该条件的合理性,并利用沪深300中的中国石化和鄂尔多斯股票的周收盘价数据进行实证分析来阐明结论的有效性.     

NA样本下Modified Weibull模型参数的经验Bayes检验

在线性损失函数下,讨论了NA样本情形下Modified Weibull分布刻度参数的经验Bayes单侧检验问题。利用概率密度函数的核估计构造了参数的经验Bayes单侧检验函数,并获得了它的渐近最优性。在适当的条件下证明了所提出的经验Bayes检验函数的收敛速度可任意接近Ο(n-1/2)。     

熵损失函数下一类广义分布族参数估计的容许性

在熵损失函数下,研究了一类分布族参数的Bayes估计和可容许估计,并讨论了一类(cT+d)-1形式估计的可容许性和不可容许性.     

结合加权KNN和自适应牛顿法的稳健Boosting方法

Boosting是机器学习领域中重要的集成学习方法,以AdaBoost为代表的Boosting算法通过在组合弱学习器时不断加强对错分类样本的关注以构建性能优异的强学习器,而该训练机制对噪声点的无差别对待易引发学习器对噪声过拟合,从而削弱算法的稳健性.针对该问题,提出结合加权KNN和自适应牛顿法的稳健Boosting方法.该方法首先通过加权KNN估计样本的噪声先验概率,然后使用噪声先验概率修正Logit损失构建一种新的损失函数,最后采用自适应牛顿法进行损失函数的优化求解.提出方法引导分类器在给予错分类样本更高权重的同时,对噪声先验概率大的样本给予相应的惩罚,使噪声样本的权重得到有效的缩减.结果表明,与其他稳健Boosting方法对比,在不同噪声水平下以及真实的医疗数据集的不同评价指标下,该方法表现出更好的稳健性,具有明显的应用价值.