WOD样本密度函数和失效率函数递归核估计的逐点强相合性

考虑同分布宽象限相依(WOD)随机样本未知密度函数的一类递归型密度核估计量.利用WOD序列的Rosenthal型不等式,在一定条件下证明了该估计量的逐点强相合性,并讨论了失效率函数估计的逐点强相合性.     

PA样本下刻度指数族参数的渐近最优的EB估计

本文在PA样本下研究刻度指数族参数的渐近最优的经验Bayes估计,在刻度平方误差损失函数下导出参数的Bayes估计,利用核估计的方法构造了参数的EB估计,并且证明这种估计的渐近最优性,最后给出一个例子.     

关于三参数Pareto分布的参数估计问题

在逐步增加首失效截尾样本下,研究三参数Pareto分布族形状参数的一致最小方差无偏估计(UMVUE),在对称平方损失函数下,讨论其Bayes估计和参数型经验Bayes(PEB)估计;按照均方误差(MSE)准则,比较UMVUE与PEB估计的小样本性质;根据形状参数的风险,导出其Bayes估计与PEB估计的大样本性质,并获得它们的收敛速度o(n-1)。     

基于样本重要性原理的KNN文本分类算法

KNN是重要数据挖掘算法之一,具有良好的文本分类性能.传统的KNN方法对所有样本权重看作相同,而忽略了不同样本对于分类贡献的不同.为了解决该个问题,提出了一种样本重要性原理,并在此基础上构造KNN分类器.应用随机游走算法识别类边界点,并计算出每个样本点的边界值,生成每个样本点的重要性得分,将样本重要性与KNN方法融合形成一种新的分类模型——SI-KNN.在中英文文本语料上的实验表明:改进的SI-KNN分类模型相比于传统的KNN方法有一定的提高.     

小样本下基于贝叶斯空间估计的故障诊断算法

针对小样本下系统故障诊断问题,提出一种基于贝叶斯空间估计与主元分析(Principal Component Analysis, PCA)相结合的方法.首先运用主元分析离线建立SPE(Squard Prediction Error)统计量阈值和故障模式特征向量矩阵库,然后在小样本情况下通过利用故障先验信息,采用吉布斯抽样(Gibbs Sampling, GS)提取数据特征向量矩阵,再利用与故障模式特征向量矩阵的相似性,完成故障诊断.实验结果表明了此方法的有效性.     

基于独立成分分析降噪与集成分类器的疲劳脑电研究

疲劳驾驶是引起众多交通事故的重要因素之一,脑电作为一种直接反映大脑组织电活动的信号日趋成为评估驾驶疲劳检测与预警的研究焦点。本文提出了一种基于AdaBoost的组合型实验方法用于分析脑电检测疲劳驾驶。试验过程中针对不同受试者采用独立成分分析(Independent Component Correlation Algorithm, ICA)处理分析,继而进行样本熵、信息熵、模糊熵和AR系数的特征提取;最后运用AdaBoost将最小二乘向量机基于三种核分类器集成为一个强分类器。试验结果显示,采用AdaBoost分类器分类效果优于单个核分类器,对疲劳驾驶平均识别率达到93%,五折交叉验证准确率为91.04%,在一定程度上推动了基于脑电信号的安全驾驶辅助监控系统的研究。     

筛选极坐标投影幅值特征的象棋定位与识别

为保证象棋机器人视觉系统中棋盘棋位检测、棋子定位与识别的准确性,本文首先利用梯度法获取棋盘区域,比例法得到棋位坐标,然后在棋位处的子域利用霍夫变换判断棋子存在性并获取棋子圆心坐标,Lab的a分量分割判断棋子颜色,利用极坐标投影,快速傅里叶变换提取特征,最后皮尔逊相关系数进行特征筛选,欧式距离进行12类字体的分类。对训练集和测试集采集的576和 1024个不同位置角度的棋子样本分别进行测试,子域内棋子存在性、棋子棋位编号以及棋子颜色判断的错误率都为0。利用训练集获得字体类中心后,在训练集和测试集分别进行字体识别测试,筛选字体特征的识别方法的错误率为0.17%(错1个)和0.29%(错3个),与不进行特征筛选的方法相比,错误率分别降低了0.35%和0.39%。表明本论文棋位检测、棋子定位与识别方法的优秀性能,为构建象棋机器人视觉系统打下算法基础。     

基于I-ELM的飞机复合材料结构损伤识别研究

针对飞机复合材料结构损伤难以有效识别问题,本文提出一种基于增量型极限学习机(Incremental Extreme Learning Machine,I-ELM)的飞机复合材料结构损伤识别新方法。首先对某型机用复合材料层合板进行冲击,而后对其进行疲劳拉伸试验,通过优化布局在复合材料层合板上的光纤光栅传感器募集应变信息,并对其进行预处理。采用互补总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)方法对募集的应变信息进行自适应分解,得到多个本征模态分量(Intrinsic Mode Function,IMF),计算各阶IMF分量的样本熵,通过核熵成分分析(Kernel Entropy Component Analysis,KECA)方法对样本熵进行特征融合,构建融合特征向量,采用融合特征向量建立基于I-ELM损伤识别模型,通过实验对损伤识别模型的有效性进行了验证,并与所构建的BP的损伤识别模型的识别结果进行了比较。结果表明,该方法能有效对飞机复合材料结构损伤进行识别,具有很好的应用前景。     

基于抗差估计和改进AIME的缓变故障检测方法

为了解决经典缓变故障检测法——自主完好性监测外推法(autonomous integrity monitoring extrapolation, AIME)在组合导航中检测故障延迟时间较长和不能准确判定故障结束时刻的问题, 提出了基于抗差估计和改进AIME的缓变故障检测方法。该方法采用标准t分布和IGG-Ⅲ (Institute of Geodesy & Geophysics Ⅲ)方案设计自适应增益矩阵以缓解卡尔曼滤波故障跟踪的影响。同时, 结合AIME故障检测状态, 提出由外推法和残差卡方检验(residual chi-square test method, RCTM)故障检测统计量构成的r_A/R统计量概念, 然后在AIME检测到缓变故障的状态下利用样本分位数原理对r_A/R序列进行异常值检测, 从而判断缓变故障结束时刻。仿真结果表明, 在检测缓变故障时, 所提方法可明显缩短故障检测延迟时间, 并能够准确判定故障结束时刻。     

样本不平衡下的空中群组意图识别方法

针对样本不平衡情况下空中群组意图识别问题, 提出了一种基于注意力机制的双向门控循环单元网络空中群组意图识别方法。将空中群组的状态信息编码成时序特征, 利用先验信息封装成样本标签, 提出一种改进的边界合成少数过采样方法对少数类样本边界进行处理, 以生成合适的样本集。通过双向循环机制提取空中群组目标时序特征的深层信息, 并利用注意力机制为深层信息分配权值, 以提高网络捕捉更具区分度特征的能力。实验仿真结果表明, 所提方法在样本不平衡情况下空中群组的意图识别问题上有更好的分类效果和更高的训练效率。