基于核密度估计的性能退化数据建模分析方法

针对现有性能退化建模分析方中存在试验样本数据量少和先验分布假设过于严格的不足,提出了一种基于核密度估计的性能退化数据建模分析方法,并详细说明了进行核密度估计时最佳窗宽的确定方法.通过实际算例对建模分析方法进行了验证,结果表明:基于核密度估计方法能有效地克服试验样本数据量少和先验分布假设严格的不足,从而为该情况下产品的性能退化分析提供了一种新方法.     

LINEX损失函数下正态均值的估计问题

考虑了在ＬＩＮＥＸ损失函数下正态分布均值的估计问题，在线性估计类ｃＸ＋ｄ中得到了它的容许估计，并对非容许估计得到了一致改进估计，将相应的结果应用于线性回归模型的系数估计之中。     

基于Horseshoe+先验的惩罚置信区域变量选择方法

针对高维稀疏线性回归问题,相关变量的数量远远少于不相关变量.相关变量的变量选择问题对于传统的频率论正则化方法是一大挑战.现有的贝叶斯惩罚置信区域法通过将模型拟合与变量选择分离,在联合后验置信区域内搜索最稀疏解,从而得到稀疏模型解.且该方法在高维变量选择效果上优于常用的变量选择方法.在此基础上,针对高维稀疏模型,将原方法中依赖的共轭正态先验替换成针对"稀疏信号勘测问题"提出的Horseshoe+先验,利用Horseshoe+先验对小系数"重"压缩与大系数几乎零压缩的理论特性,实现对稀疏回归系数的稳健估计.通过数据仿真模拟不同稀疏程度下的高维稀疏线性回归,并将基于Horseshoe+先验的惩罚置信区域法分别与基于正态先验以及Laplace先验的该方法进行比较,结果表明基于Horseshoe+先验的惩罚置信区域法在高维稀疏线性回归问题具有更好的变量选择效果与预测效果.     

阻尼白化滤波及其在GPS模糊度快速解算中应用

针对矿区开采沉陷观测中存在的两次观测的变形值不大等特点,将其作为约束条件,结合改进的白化滤波算法,提出了一种适合单频GPS监测开采沉陷的阻尼白化滤波快速解算模糊度算法。针对一般白化滤波方法对白化处理后模糊度直接取整的做法,提出在假设检验通不过时,引入LAMBDA中的条件最小二乘方法进行搜索,可以有效提高模糊度解算成功率。这个算法为用GPS监测矿区开采沉陷、大坝、滑坡、大桥及高层建筑物等的变形时的模糊度解算提供一条有效途径。     

多响应线性回归模型Bayes最优设计的等价性定理

讨论多响应线性回归模型的Bayes设计问题,给出回归参数的Bayes估计,并建立BayesZ-最优准则,在Z-最优准则下,得到了多响应线性回归模型的Bayes最优设计的等价性定理,并将其运用到LB-最优设计上．     

导线测量严密平差定权方法研究

阐述了导线测量严密平差观测值权的几种确定方法,通过大量工程实例的平差结果比较,研究分析了各种定权方法的合理性和特点,并对提高导线网平差结果可靠性的处理方法提出了新的认识和建议。     

查莫斯理想化先验可解读性观点的问题探讨

在《构建世界》中,查莫斯提出了一种基于PQTI假设和贝叶斯论证的先验可解读性理论。本研究对PQTI假设和贝叶斯论证都做出质疑与否定。PQTI假设预设了日常主体认知能力的理想化特点,而这一点实际上并不能够为日常主体满足,且该假设具有不完全和不一致的缺陷。因此,贝叶斯原则被误用且先验可解读性的观点是无效的。本文核心观点是意义并非先验可解读的。查莫斯的理论并不能够正确地维护语义三角关系。     

基于颜色校正和明暗通道的沙尘降质图像增强算法

针对沙尘天气下拍摄的图片中存在的颜色偏移、对比度低等问题,提出了一种沙尘降质图像增强算法.该算法由基于高斯模型的偏色校正和基于暗通道和亮通道的对比度增强2个部分组成.首先根据沙尘降质图像的RGB 3个通道直方图的分布特点,使用高斯模型分别对各通道进行建模,从而进行颜色调整,解决沙尘图像的偏色问题,其次采用暗通道先验去雾的原理,结合亮通道,计算像素级的大气光值,然后对透射图和大气光值进行优化,从而恢复出清晰的无沙尘图像,最后实验结果表明本文算法可以较好地提高沙尘降质图像的重建主观质量,并保持良好的色彩保真度和亮度.     

基于共轭正态分布的抽样检验方案

该文主要在双侧规格限下研究方差已知但均值未知的正态分布产品指标均值的抽样检验方案. 首先利用共轭先验分布,得到产品指标均值的后验分布.然后根据指标均值检验统计量T的拒绝域以及生产和使用双方可承受的最大风险来确定检验的最大样本量.最后进行实例模拟, 其结果表明,该文所确定的方法是可行的.     

边缘场景下基于多维损失优化超分辨率网络的天气图像检测算法

在边缘场景下，气象图像采集模型大多部署在算力较低的移动端或边缘设备上，造成观测图像分辨率较低，给天气现象检测带来困难，且传统FSRNet生成的图像存在伪影、模糊等问题，因此需要优化天气图像超分辨率网络，提高图像的分辨率.基于无锚检测器，提出以观测要素为点的检测方案，不需要手动设置锚框，使检测模型轻量且高效.通过引入热图损失、目标注意力损失和对抗性损失等多维损失函数，对粗糙SR网络进行优化，使低分辨率图像完成递进式训练.优化骨干网络ShuffleNetV2，使检测模型更加轻量化，提高超分辨率天气图像检测的性能.实验结果证明，此天气图像超分辨率重建模型可以生成质量更高、细节更加清晰的目标观测图像，更加轻量的检测模型适用于非约束场景，在FDDB上的平均精度值（AverP）达到97.7%，优于其他先进模型.