基于马氏距离的竞争失效可靠性分析

为了解决产品退化失效与冲击失效共存的竞争失效下可靠性评估,提出了一种基于马氏距离的评估方法.引入马氏距离将多元退化数据降至一元马氏距离,采用具有随机影响的Wiener过程进行退化建模.研究了泊松过程以及固定时间发生的两类极端冲击过程,建立了同时考虑变阈值和最小冲击幅值的相关竞争失效模型.采用裂纹增长案例验证了所提方法的有效性,敏感性分析评估了模型参数对产品可靠性的影响.结果表明泊松过程冲击和固定时间冲击都对产品可靠性水平的分析值产生影响.     

基于熵理论的加权马氏距离及其应用

分析了加权马氏距离判别分析中的权值问题,提出了用熵理论来确定加权马氏距离中权值的方法。实证分析显示基于熵理论的加权马氏距离要优于基于主成分的加权马氏距离。     

一种新颖的基于马氏距离的文本分类方法的研究

KNN(k最近邻算法)是文本挖掘领域最成熟最简单的分类方法之一.该方法对文本分类中的距离参数的选取敏感,错误的选择将导致分类精度降低,影响最终分类效果,该缺陷限制了KNN分类器在文本数据挖掘中的应用.因此,本文将马氏距离引入到文本分类领域,并将其与KNN算法相结合,提出了一种基于马氏距离的新的文本分类方法(Mahala...     

基于马氏距离的相位噪声抑制算法

针对未来长期演进上行链路中单载波频分多址(SC-FDMA)系统对相位噪声敏感的特性,提出基于马氏距离的残余相位噪声抑制算法.使用SC-FDMA系统中的导频序列对相位噪声进行初步估计补偿之后,残余的相位噪声服从高斯分布.该算法利用残余相位噪声的统计分布信息来计算接收符号到各个星座符号之间的马氏距离,再选取马氏距离取得最小值时对应的星座符号作为发送符号的估计.仿真结果表明:该算法能很好地消除残余相位噪声的影响,降低接收端恢复数据的误符号率,提高系统性能.     

基于LabVIEW的多晶硅太阳能电池噪声精确测试方法

介绍了多晶硅太阳能电池的噪声测试方法,利用其噪声进行可靠性筛选,设计了一套完整的太阳能噪声测试系统,自动测量了太阳能电池噪声,详细研究了多晶硅太阳能电池噪声测试方法及过程.实验结果证明,运用噪声测试可以快速、准确、无损地对多晶硅太阳能电池进行可靠性筛选.     

一种基于马氏距离的半监督模糊聚类方法及其应用

定义了一种新的基于马氏距离的半监督模糊聚类算法,并推导出它的迭代公式.该算法能够提高聚类算法的运行效率.在人工数据集和真实数据集上的实验结果验证了这种方法的有效性.提取了黄瓜叶片7个色调特征,Fisher降维之后进行半监督聚类分析.对于已标识类别属性的叶片,聚类结果与已知属性的一致率达100％,而对于未标识数据,一致率也达到96％以上.     

基于Kendall秩相关系数的稳健马氏距离及其应用

在聚类分析或判别分析问题中,人们通常使用距离来度量观测的相似程度。其中,马氏距离考虑了数据之间的相关性,并可以消除量纲,从而得到了广泛应用。但在异常值存在时,马氏距离估计不够稳健。因此,构造稳健的马氏距离具有重要应用价值。本文基于Kendall秩相关系数来估计稳健的马氏距离,同时通过数值模拟,将稳健的马氏距离与传统马氏距离进行比较。结果表明在异常值存在时,稳健估计的马氏距离所得结果优于传统马氏距离。     

单离子通道潜在信号的马氏距离判别

提供了还原单离子通道信号的一种方法.基于混合正态分布,用马氏距离给出通道开关阈值,判断通道状态.     

基于马氏距离累积量的斜拉桥主梁损伤识别方法研究

斜拉桥主梁是其运营中最为主要的受力构件,主梁的损伤识别方法研究一直是热点问题。针对结构健康监测数据,提出了一种基于马氏距离累积量的时域损伤识别方法。首先,构造基于马氏距离累积量的结构损伤识别向量,给出了利用监测数据进行损伤识别的操作流程。其次,建立了金塘大桥有限元模型,以正弦力激励的方式获得结构单元在健康及损伤状况下的加速度数据;并利用无损伤状态下的加速度数据作为参考样本,损伤状态下的加速度数据作为待测样本,通过对比损伤识别向量的变化情况进行斜拉桥主梁的损伤识别。最后,针对金塘大桥的实桥监测数据,进一步验证了该方法的有效性。结果表明,基于马氏距离累积量的损伤识别方法可以较为准确的识别斜拉桥主梁的损伤状况。     

基于马氏距离的模糊c-均值增量学习算法

提出一种基于Mahalanobis距离的模糊c-均值算法(FCM-M),它将经典的模糊c-均值中的欧式距离用Mahalanobis距离替代,利用Mahalanobis距离的优点,有效解决了FCM算法中的缺陷,并提高了训练精度.将其用于增量式学习中,结果对孤立点不敏感,实验结果显示了该算法的有效性和优越性.     

基于粒子群优化的马氏距离模糊聚类算法

为解决传统模糊聚类迭代算法对初始化敏感,易陷入局部最优及处理高维数据时精度下降的问题,对基于马氏距离的模糊聚类算法(fuzzy c-means algorithm based on Mahalanobis distance,M-FCM)进行优化。将马氏距离代替欧氏距离,通过构造类内紧致度、类间分离度与类间清晰度结合的适应度函数,利用粒子群优化算法(particle swarm optimization,PSO)对马氏距离模糊聚类进行研究,提出了基于粒子群优化的马氏距离模糊聚类算法(Mahalanobis distance fuzzy clustering algorithm based on particle swarm optimization,DPSOM-FCM),并将此新算法与FCM(fuzzy c-means algorithm),M-FCM,PSO-FCM,IFPSOFCM(importance for fuzzy clustering algorithm based on particle swarm optimization)算法,在UCI(university of californiairvine)数据库的6个标准数据集上进行实验对比分析。结果表明,DPSOM-FCM算法具有算法收敛性和聚类有效性,并且聚类精确度优于其他算法,对高维数据的聚类识别能力强,即该算法具有全局优化作用。     

利用Mahalanobis距离进行人脸表情的识别

提出了利用Mahalanobis距离进行人脸表情识别的方法.首先将待分类的图像样本集进行坐标变换,使得变换以后类间离散度尽可能大而类内离散度尽可能小,即使变换以后的Fisher准则函数取得极大值,在新的坐标下求每个待分类样本到各类均值向量的Mahalanobis距离,从而将待分类的样本归到Mahalanobis距离最小的类中去,通过实验得到了平均80.25%的识别率.     

基于马氏距离的最终执行元件功能安全失效表征

针对现有最终执行元件功能安全失效分析方法未能切实考虑实际工况的不足,提出了一种基于马氏距离的最终执行元件功能安全失效表征方法。预先获取各状态下最终执行元件的工况参数,构建样本空间,计算其中各样本的马氏距离;其次对马氏距离进行Box-Cox变换,使其满足正态分布后,由3σ准则确定各状态的阈值,构建最终执行元件的失效表征模型;最后利用所设计的检测系统检测工况参数,构建样本向量,通过所构建的失效表征模型实现最终执行元件功能安全失效表征。仿真实验和现场实验结果表明,本文方法能够准确识别出最终执行元件的功能安全失效,为其失效分析提供了一种新的方法。     

基于马氏距离的模糊聚类优化算法——KM-FCM

为了解决以欧氏距离作为相似性准则的传统模糊聚类算法对多维数据处理不利的问题,采用马氏距离代替欧氏距离,对基于马氏距离的模糊聚类算法进行优化研究,以增强基于马氏距离的模糊聚类算法的聚类效果和能力。通过构造启发式搜索与k-means算法结合的初始优化方法,利用可以自动调节最佳聚类数的有效性函数,提出了一种优化算法KM-FCM,并将此新算法与FCM,FCM-M,M-FCM聚类算法在3个标准数据集上进行了实验。结果表明,KM-FCM算法有效,聚类精度比FCM,FCM-M,M-FCM高,对高维数据聚类识别能力强,具有全局优化作用,并且聚类个数无需提前设定。新算法可为基于马氏距离的模糊聚类算法的优化提供参考。     

基于Mahalanobis距离与BP网络的图像小波标定识别技术

针对计算机芯片检测,提出了基于Mahalanobis距离与BP人工神经网络的小波图像识别技术．在对Ic芯片图像进行二维小波分析后,通过Mahalanobis距离在图像的低频小波系数矩阵上进行目标图元的区域搜索与位置标定,而后根据待定目标图元像素分布特征建立特征参数向量,建立BP网络对目标图元进行模式识别．实验证明此方法能够有效地对IC图像进行目标图元的位置标定与模式识别,获得准确的IC标定识别结果．     

基于扩散距离的SURF特征图像匹配算法

针对高维特征向量存在的使用传统欧氏距离计算最近邻匹配正确率低的问题,文章提出了一种基于SURF和扩散距离的图像匹配算法。首先用Fast Hessian检测子进行特征点检测,生成SURF特征描述向量,然后利用扩散距离代替欧氏距离进行匹配,使用随机抽样一致从候选匹配中排除错误的匹配。实验证明该算法提高了SURF算法匹配的正确率,并在图像形变、光照变化方面具有较高的鲁棒性。     

基于偶对约束和马氏距离的半监督模糊聚类算法

研究了基于偶对约束的半监督模糊聚类,将马氏距离引入到半监督模糊聚类SCAPC(semi-supervised fuzzy clustering algorithm with pairwise constraints)中,获得了一种新的半监督模糊聚类目标函数,通过求解优化问题,提出了一种基于偶对约束和马氏距离的半监督模糊聚类算法M-SCAPC(Modified-SCAPC).针对选择的标准数据集和人工数据集,对提出的算法M-SCAPC进行了实验研究,并与FCM(fuzzy C-means)、AFCC(active fuzzy constrained clustering)和SCAPC算法的聚类性能进行了比较,表明了提出的算法M-SCAPC在收敛速度和正确率方面的有效性.