基于MCMC的模糊自适应重要抽样法

针对传统的基于马尔可夫链蒙特卡罗 (Markov chain Monte Carlo,MCMC)的自适应重要抽样法只适用于失效边界确定的系统,而不适用于失效域模糊的渐变结构系统问题,提出基于MCMC的模糊自适应重要抽样法。首先从模糊失效域内的某个初始点出发,根据Metropolis准则构造马尔可夫模拟样本点;然后利用自适应核密度估计构建核抽样概率密度函数并进行重要抽样;最后离散化模糊失效域以计算系统的模糊失效概率。该方法合理地解决了以往渐变结构系统性能可靠性难以仿真分析及仿真效率低的难题,具有较高的仿真效率和精度。应用舵机案例对方法的适用性及高效性进行了验证。     

基于修正核函数SVM的网络入侵检测

支持向量机分类方法在小样本、非线性情况下具有较好的泛化性能,在入侵检测系统中有着广泛的应用。针对入侵检测过程中可能出现的由两类样本不平衡造成的分离超平面偏移现象,以核函数所蕴含的黎曼几何为依据,引入一个伪一致性变换函数,对核函数进行修改,提高支持向量机的分类泛化能力,建立基于支持向量机的网络入侵检测系统,并对系统总体结构和运行机制进行了详细的描述。实验仿真表明,该系统可有效地提高入侵检测的准确率,改善由于数据集不平衡造成的支持向量机分类偏移的情况。     

带弱奇异核非线性积分微分方程的收敛性分析

利用双线性元对一类带弱奇异核非线性积分微分方程进行了研究。 利用单元已有的高精度分析结果、借助投影算子和平均值技巧, 在各向异性网格下得到了比以往文献高一阶的L²-模最优误差估计。     

带非光滑核的多线性奇异积分极大算子的有界性

利用极大算子的 sharp 极大函数的点态估计方法,建立了具有非光滑核的多线性奇异积分极大算子的Cotlar型不等式,应用Cotlar不等式证明了极大算子是Lr(Rn)到Lp0(Rn)上的有界算子,推广了一些已知结果.     

KPCA-KPLS方法在pH中和过程建模中的应用

针对化工过程中的具有严重非线性、不确定性、时变性的复杂pH中和过程系统建模问题,提出一种基于核主元分析(KPCA)与核偏最小二乘(KPLS)相结合的建模方法.在高维特征空间内,该方法通过KPCA有效地提取输入数据的非线性主元,利用KPLS方法将输入变量投影在潜在变量上,再用输入与输出变量之间的协方差信息提取潜在特征建立pH中和过程模型.为验证其有效性,将KPCA-KPLS方法应用到弱酸强碱中和过程、强酸强碱中和过程实例中,并与核偏最小二乘、核主元分析_支持向量机(KPCA-SVM)、核极限学习机(KELM)、极限学习机(ELM)、最小二乘支持向量机(LSSVM)、SVM等方法进行比较.实验结果表明:KPCA-KPLS方法具有很高的动态建模精度.     

基于改进PSO算法的混合核SVM算法

提出一种基于改进粒子群优化（PSO）算法的优化混合核支持向量机（SVM）算法（ILPSO）, 解决了一般混合核SVM算法很难评定参数选择的问题. 该算法通过限定粒子的速度、 搜索空间和交叉算子等多种寻优策略加强其收敛特性, 得到了参数的最佳组合. 仿真实验表明, 该算法能更快速、 有效地获得参数的最优值.     

基于核典型相关分析的五元平面十字阵无源定位算法

基于五元平面十字阵的时差定位准确度和灵敏度都相对较高,在无源定位中具有广阔的应用前景。针对时差定位抗干扰性能差和噪声影响的问题,提出采用核典型相关分析盲源分离算法在辐射源信号先验信息未知的情况下分离天线阵接收的混合信号,然后将分离后的信号进行相关分析获得时差的估计,用以改进时差估计和定位性能。通过仿真实验,可以看到本文提出的基于核典型相关分析的时差定位方法能够取得更稳定、准确的结果,而且实现简单,能充分满足实际应用的要求。     

EViews在概率统计教学中应用

计算机在概率统计教学中的应用,除了多媒体课件的使用,更重要的是对概率统计的基本理论进行模拟和演示,以及具体概率统计问题的应用．首先阐述了EViews软件在概率统计教学中的优越性和可行性,并通过教学中运用EViews软件处理概率统计理论问题说明这一点,最后给出一个具体实例,运用EViews操作,得出数列统计特性．     

代价敏感核主元分析及其在故障诊断中的应用

针对传统核主元分析没有考虑误分类代价的差别、对故障工况不敏感等问题,提出代价敏感核主元分析方法.该方法将代价敏感机制引入核主元分析,以误分类代价最小化为目标,设计最佳阈值调整方法获取最佳阈值,并采用混沌粒子群算法对核参数进行优化,最后利用SPE(squared prediction error)统计量诊断新样本类别.研究结果表明:该方法能有效地降低误分类代价,具有故障敏感性和诊断准确率高以及泛化能力强等特点.     

六轴机械臂广义逆系统 SVM 辨识与控制

针对六轴机械臂系统强耦合和不易求取精确的动力学模型的特性,提出了基于支持向量机（ SVM ）辨识的广义逆解耦PID闭环控制方法。将SVM常见的3种核函数应用于机械臂实际系统的广义逆模型辨识中,通过回归预测效果和性能指标比较可知,采用高斯径向基核函数辨识的SVM模型预测输出与实际系统输出趋势一致,且得到的性能指标平方相关系数（ r2）和平均平方误差（ MSE）较好。实验结果表明,基于SVM广义逆解耦的PID控制算法能够实现对实际机械臂系统的高精度轨迹跟踪,具有工程实用性。