Bayes Bootstrap改进方法

小样本情况下实验数据的分布较难确定,工程上常采用Bootstrap和Bayes Bootstrap方法。在现有的文献中,该方法对小样本可靠性参数估计仅仅是重复利用原样本信息,通过扩大样本容量进行参数估计。在样本量较小的情况下,再生样本极易淹没原生样本信息导致估计偏差。本文在原方法的基础上,提出对Bayes Bootstrap方法的改进意见,在抽样过程中增加样本容量并通过对最大(最小)次序统计量领域进行扩充而达到对原始样本扩充的目的,最后用指数分布修正经验分布函数,以提高估计的精度。实验结果表明,改进后的Bayes Bootstrap方法对精度的估计有所提高,比原方法效果更好。

小样本条件下装备作战效能评估问题研究

作战效能评估一般指武器装备在相应的作战背景下,针对具体的作战对手的作战能力的评估。对能力的评估需要作战试验、军事演习等重大活动数据的积累,但由于试验成本、兵力短缺、环境构设复杂等条件的限制,作战效能评估的准确度、置信度一直受制于所需样本量的不足。文章针对传统小样本问题处理方法的缺点,引出Bays Bootstrap方法,并实例验证了该方法的合理性以及在区间估计等方面的精确性等优势。最后将该方法应用于某舰艇作战试验中对空拦截能力的作战效能评估,提高了结果的置信度。