左截断右删失数据下泊松分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到左截断右删失数据下泊松分布的完全数据似然函数.给出变点位置和其它参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行抽样,介绍MCMC方法的实施步骤.把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

一类一维p-Laplacian非线性奇异三点边值问题正解的存在性

利用Leray-Schauder非线性抉择定理和锥不动点定理证明一类一维非线性奇异p-Laplacian三点边值问题{(Φ(u′))′+q(t)f(u(t))=0,0t1,u(0)=0,u(1)=αu(η),0η1,0α1存在一个正解u∈C[0,1]∩C1(0,1],在(0,1]上u0,其中Φ(s)=s p-2s,p1,允许q(t)在t=0有奇性,并且非线性项f在u=0处具有奇性.     

地方高校动物科学专业实验教学现状调研及改进对策

针对韶关学院动物科学专业150位毕业生与在校生的匿名随机抽样调查结果,采用百分率统计检测法进行实验教学现状的分析,深入探讨解决目前实验教学存在的问题所应采取的对策和措施,以促进动物科学实验教学体系的改革与管理.     

基于嵌入式的食品中重金属光电检测系统设计

基于光电传感方法和MSP430单片机控制技术实现对食品中的重金属进行快速检测。介绍了光电传感检测方法的基本原理和系统光控制电路设计,使光强按照不同波长自动调整到最佳状态并稳定不变,解决了传统分光检测系统在恶劣环境条件下性能下降的问题。实验对比分析说明,该检测系统具有良好的准确性和可靠性,可对现场食品样品进行快速粗筛,节省了测试时间。     

基于子空间方法的非均匀多采样率系统辨识

针对非均匀多采样率系统的建模问题,根据因果关系,建立了非均匀多采样率系统的状态空间模型.对于含有提升变量的状态空间模型,提出基于子空间技术的辨识方法.首先,由系统的输入输出数据建立由Hankel矩阵组成的扩展状态空间方程;其次,利用斜交投影的原理,以及奇异值分解,通过子空间辨识算法确定增广观测矩阵和状态向量;最后,通过最小二乘方法确定模型的参数矩阵.该方法简单有效且对初值具有鲁棒性.仿真实例验证了方法的有效性.     

丢包信息部分已知的变采样周期网络控制系统的H∞控制

研究了基于时变采样周期网络控制系统的H∞控制问题.考虑数据丢包个数有界且符合一个有限状态的Markov链,设计状态反馈控制器,将具有网络时延和丢包的NCSs建模为Markov跳变系统.针对数据丢包的信息难以精确获得的情况,即转移概率部分已知时,基于李雅普诺夫方法,给出系统随机稳定且具有H∞范数界γhkj的充分条件.基于LMIs技术,获得控制器设计方案.数值实例表明该方法是有效的并具有较好的H∞性能.     

磨矿破裂过程的蒙特卡洛仿真方法研究

研究了磨矿破裂过程的蒙特卡洛仿真方法.蒙特卡洛仿真的误差反比于其计算区域内颗粒数量,导致该方法存在计算精度和计算代价难以协调的矛盾.主要研究目标是在不降低精度的条件下提高仿真速度.首先给出了事件驱动的磨矿过程蒙特卡洛仿真的主要步骤.通过提出一种新的包络函数改进仿真抽样效率.设计了批次磨矿的仿真实验.仿真结果表明:所提出的改进算法能够显著降低无效抽样,提高仿真速度,而且保持仿真精度符合要求.     

全光纤耦合异步光学采样THz-TDS系统

针对传统THz-TDS系统利用机械步进延迟线进行采样扫描的方式获取太赫兹时域谱使得检测信号速度慢等缺点,设计了全光纤耦合快速异步光学扫描THz-TDS系统,该系统利用以锁相环(PLL)和直接频率合成器(DDS)为核心的电子系统精确控制两台飞秒激光器重复频率,使之有较小的固定频差,使两台飞秒激光器的脉冲之间产生周期性呈线性增长的相位延迟,实现了一个脉冲对另一个脉冲的毫秒级快速扫描. 结果表明,该系统对太赫兹脉冲的扫描时间缩短为2ms,实际采样频率可达到1GHz. 有效解决了以往太赫兹光谱检测速度慢、便携性差等问题,从而进一步拓展了太赫兹光谱测量的应用范围.      

基于BP神经网络的食品安全抽检数据挖掘

数据挖掘技术在食品安全领域拥有巨大的应用价值和潜力。通过分析逆向传播(BP)神经网络算法,说明使用该方法的可行性和优越性。以抽检数据为对象,阐述了数据预处理过程,设计并实现了数据挖掘实验。最后利用挖掘结果进行食品检验结论预测,验证了方法的实用价值和指导意义。实验表明,基于BP神经网络的数据挖掘方法具有良好的过程健壮性和较高的结果准确性。通过预判不合格食品的出现,可以指导实际食品安全抽检工作,从而杜绝食品安全问题的发生。     

基于Bayesian方法的参数估计和异常值检测

异常值检测是当前数据分析研究中的一个重要研究领域。模型中的异常值会直接影响建模、参数的估计、预测等问题。基于模型的异常值检测,传统的做法是先对模型参数进行估计,再进行异常值检测。而异常值的存在会影响参数估计,从而导致下一步异常值检测的不可靠;反之异常值检测也会影响参数估计。针对这些不足之处,提出了基于 Bayesian 方法的参数估计和异常值检测,此方法可以将参数估计和异常值检测同时实现,具体做法是在线性回归模型中引入识别变量,基于 Gibbs 抽样算法,给出识别变量后验概率的计算方法,通过比较这些识别变量的后验概率进行异常值定位,同时给出参数的估算方法。通过大量的模拟实验,结果表明,与传统方法相比,提出的方法对异常值更灵敏。