移动核心网故障数据二重联合线性判别模型与应用

主要研究移动核心网BSC的TRAU数据分布规律及可疑故障识别方法.由于BSC的最大承载量是未知的,因此本文定义了一类TRAU数据突增故障现象,并在此基础上定义了可疑故障点、异常点和广义异常点.提出并建立了移动核心网故障数据二重联合线性判别模型和三类模式判别准则,用来对移动核心网TRAU数据进行三类模式("正常"、"异常"、"可疑故障")识别.实例分析表明,本文所建立的移动核心网故障数据二重联合线性判别模型,当用来对TRAU数据进行三类模式判别时,对原数据样本的回判和新数据样本的识别准确率都达到百分之百,因此能有效识别TRAU数据中的可疑故障点.

MS-Urban大气扩散模型和二重源解析技术联合模型在鞍山市尘源解析中的应用

详细介绍了MS-Urban大气扩散模型和二重源解析技术联合模型应用的基本步骤,并以鞍钢冶炼尘、焦化尘为例,进行了2种模型解析结果分析,为共线性严重的单一源类进行细类解析提供了可以借鉴的方法。

线性模型的最小二乘估计的中偏差及其重对数律

本文研究了线性模型的最小二乘估计的中偏差.通过估计Laplace渐近积分,得到了随机误差为取值于Rd的相互独立同分布随机变量情形下的中偏差与重对数律的结果.

基于三维多分辨率模型与Fisher线性判别的人脸识别方法

提出了一种不同姿态和光照条件下的人脸识别方法 ,将三维多分辨率模型与Fisher线性判别结合起来 .为了排除光照、姿态对人脸识别的影响 ,利用重采样技术构造了三维多分辨率模型 ,更快、更精确地提取人脸特征 ;同时结合Fisher线性判别 ,充分利用不同条件下的二维人脸图像信息 ,更有效地排除光照、姿态的影响 .实验表明 ,三维多分辨率模型与Fisher线性判别相结合能够很好地适应外部条件的变化 ,提高了人脸识别的速度和效率 .

基于二重切比雪夫多项式的多自由度系统SMA非线性恢复力识别

针对真实结构在动力荷载作用下恢复力模型难以用准确参数化形式描述问题,将结构非线性恢复力作为结构损伤及非线性行为的直接描述,提出基于二重切比雪夫多项式模型的多自由度体系非线性恢复力时域识别方法,实现结构质量信息完全未知及激励完整、非完整两种情况下多自由度系统非线性恢复力识别。通过带理想双旗形恢复力模型形状记忆合金(SMA)阻尼器两自由度数值模型的数值模拟与安装SMA阻尼器的钢框架模型动力实验结果验证该方法的识别效果,并与基于幂多项式模型方法进行对比。数值模拟验证中同时考虑测量噪声对识别结果影响。结果表明,该方法能对结构质量分布及在动力荷载作用下非线性恢复力进行有效识别,为结构在动力荷载作用下损伤发生、发展过程监测及结构耗能的定量评估提供方法。

线性回归模型中响应值的选取对二分类问题的影响

我们利用多元线性回归模型处理两个总体的分类问题,首先对响应变量按一定的规则赋值,并在最小二乘法的基础上构建判别函数及判别准则,进而论证了响应值的选取对平衡及不平衡数据二分类问题的影响。此外,我们将此判别方法与经典判别分析方法如:经典马氏距离判别法、Bayes判别法进行比较,并得到它们之间的内在联系及优缺点。

二次型判别函数在中期睛雨判别中的应用

1 引言 判别分析是气象上常用的统计方法之一。在样本服从正态分布,且类间样本协方差阵相等（∑1=∑2）的假设下,基于Bayes准则可以得到线性判别函数,而在∑1≠∑2时,同样基于Bayes准则的判别函数自然会出现二次型。由于二次型函数的出现使得计算量增加很大,因而二次型判别模型的产生困难很大,人们在以往的工作中较多地采用线性判别函数,这是不符合实际的。据文献[1]分析,若∑1与∑2有较大差异,二次型判别函数优于线性判别函数。施能将类似的二次型判别函数用于长期天气的洪涝预报,取得一定成效。本文采用BC-1统计量方法来决定是否接受∑1=∑2的假设。

基于模型预测控制的车辆路径跟踪控制技术研究

以车辆三自由度动力学模型为研究对象,对自动驾驶车辆模型预测控制算法进行研究。结合魔术轮胎模型线性区域和小角度假设理论对车辆动力学模型进行简化处理,设计基于模型预测控制算法的路径跟踪控制器。使用MATLAB/CarSim联合仿真平台,选用多组工况进行仿真试验。设定车辆的速度分别为低速、中速、高速3种状态,并且使用线性二次型最优控制器进行换道工况路径跟踪,与模型预测控制器进行控制效果对比与分析,结果表明,模型预测控制算法路径跟踪控制效果更加优秀。

考虑二次梯度项影响的溶洞-井筒连通模型渗流特征

建立了设有忽略非线性偏微分中的二次梯度项影响的溶洞-井筒连通三重介质模型。采用一阶向前差分,二阶中心差分的方法获得了无限大地层定产量生产、有界封闭地层定产量生产和有界封闭地层定压生产时的模型差分方程,用解非线性方程组的Newton迭代法求得了方程组的数值解。分别讨论了三重介质参数变化时的压力变化规律,绘制并分析出了典型压力曲线图。

灰色组合模型在中长期电力负荷预测中的应用

针对中长期电力负荷预测使用的历史数据较少,且影响因素较为复杂等特点,提出了一种基于最优权重组合(weightoptimal combination,WOC)的灰色组合模型。该模型利用最优权重组合将灰色线性回归模型、二次指数模型、等维新息模型、残差灰色模型4种模型进行组合,采用二元最优组合的迭代寻优算法来求取WOC中每个模型的权重,充分发挥几种模型各自的优点。通过在湖南省某地电力系统规划中的实际应用,验证了此方法有较好的实用性和有效性。

一种基于重采样双向2DLDA融合的人脸识别算法

针对人脸识别中普遍存在的光照、表情等变化带来的识别问题和小样本问题,本文提出了一种利用重采样技术融合双向2DLDA特征的人脸识别算法Resampling Bidirection 2DLDA(RB2DLDA).二维线性判别分析中,2DLDA利用垂直方向上的类内和类间协方差信息进行识别,E2DLDA利用水平方向上的类内和类间协方差信息进行识别,本文中从理论上证明了这两个方向上的判别信息具有一定的互补性,为融合两个方向的判别信息进行分类器的设计,改善分类器的识别性能提供了理论基础.同时为RB2DLDA算法提出一种自适应的降维参数设定方法,经过在AR和CAS-PEAL-R1人脸库上的实验表明,RB2DLDA算法具有较高的识别率和鲁棒性.

Sβ不可估时（Sβ，σ2）的联合估计的可容许性

对于一般的ＧＭ模型Ｙ～Ｎ（Ｘβ，σ２Ｖ），Ｖ≥０。当Ｓβ不是线性可估的时，本文分别得到了矩阵损失下（Ｓβ，σ２）的联合估计（ＬＹ＋ａ，Ｙ′ＡＹ）在估计类ＬＤ中和在一切估计的类中可容许的充要条件。

利用近红外及中红外融合技术对小麦产地和烘干程度的同时鉴别

小麦是制作馒头的主要原料之一,小麦中水、蛋白质、淀粉会因产地以及烘干程度的差异而不同,进而影响到加工成馒头的品质。所以实现对小麦产地和烘干程度的快速鉴别就显得尤为重要。感官评定是鉴别小麦产地和烘干程度常用的方法,对比感官评定,光谱分析可以识别样品中的分子结构等信息。基于此,尝试利用近红外和中红外光谱融合技术实现对不同产地和不同烘干程度的小麦同时鉴别。首先选取了两个不同产地的小麦,再利用微波干燥法对两个不同产地的小麦做烘干预处理,使烘干的小麦水含量为12%±0.5%,原麦水含量为18%±0.5%。分别标记为原麦A,烘干A,原麦B,烘干B,再将小麦研磨成粉末,过100目筛网筛选后,置于自封袋中备用。随后分别采集四种小麦样品的近红外和中红外光谱信息,在Matlab 7.10的环境下使用标准正态变量变换(standard normal variable transformation, SNVT)对采集到的原始光谱数据进行预处理,利用主成分分析对预处理后的数据进行降维处理,再结合线性判别分析(linear discriminant analysis, LDA)和支持向量机(support vector machine, SVM)分别建立小麦近红外、中红外光谱数据识别模型。另外利用联合区间偏最小二乘法(synergy interval partial least square, SiPLS)筛选出利用标准正态变量变换(SNVT)预处理后的小麦近红外和中红外光谱数据特征光谱区间,将筛选出的近红外和中红外光谱数据特征光谱区间融合后再结合线性判别分析(LDA)和支持向量机(SVM)建立小麦融合光谱信息的识别模型。然后比较同种光谱数据下利用线性判别分析(LDA)和支持向量机(SVM)建立的小麦识别模型识别率、比较同种建模方法下近红外和中红外光谱数据建立小麦识别模型识别率、比较同种建模方法下光谱数据融合和单一光谱数据建立小麦识别模型识别率。结果表明,同种光谱分析方法,利用SVM建立的四种小麦识别模型识别率高于利用LDA建立的小麦识别模型识别率。同种建模方法,近红外光谱数据建立的小麦识别模型识别率优于中红外光谱数据建立的小麦识别模型识别率。而在同种建模方法下,利用SiPLS筛选出近红外和中红外光谱数据的特征光谱区间数据融合后建立小麦识别模型识别率最高,光谱数据融合后结合LDA建立的小麦识别模型校正集识别率为98.75%,预测集识别率为97.50%;而将此选择的变量结合SVM建立的小麦识别模型的校正集和预测集识别率都达到100.0%。对比利用单一光谱数据建立的小麦识别模型识别率,光谱数据融合之后建立的小麦识别模型识别率得到显著提高,该研究从纵向和横向上全面地比较了光谱数据建立的小麦模型识别率,结果可为更准确地运用光谱融合技术建立小麦产地以及烘干程度识别模型提供参考。

CARS结合PLS-LDA法识别奶牛饲料中土霉素的可行性研究

收集了一年内不同月份不同种类的纯奶牛精补料20个,制备土霉素含量不同的掺假奶牛精补料100个,在全光谱范围内对样品进行近红外透反射光谱扫描,利用CARS法对光谱数据进行前处理,采用偏最小二乘-线性判别分析(PLS-LDA)法来建立判别模型。建立的PLS-LDA模型的交互验证最小错误率为0.0729,模型错分率为0,模型预测错误率为0.0417。说明利用近红外光谱技术建立定性判别模型来检测奶牛饲料中是否掺有土霉素是可行的。

电子鼻技术结合化学计量分析对汉源花椒的鉴别

采用电子鼻技术对包括汉源花椒在内的全国6个不同主要产地的红花椒进行10个传感器通道的风味成分测定和分析,用于汉源花椒的鉴别。利用传感器响应的风味成分分布轮廓的差异对6个不同产地红花椒分别进行了主成分分析(Principal Component Analysis,PCA)、线性判别分析(Linear Discriminate Analysis,LDA)和偏最小二乘判别分析(Partial Least Squares Discriminant Analysis,PLS-DA),并构建了汉源花椒的鉴别模型。结果表明,PCA和LDA模型均能较好地将汉源花椒与其他5种红花椒分别区分,在PLS-DA中建立了汉源花椒的“是-否”鉴别模型,模型的预测能力参数(Q^(2))和拟合优度参数(R^(2))分别为0.947和0.968,交叉验证和置换模拟验证结果表明所构建模型未发生过拟合,稳健有效。同时,对汉源花椒掺杂5%、10%、30%及50%的其他种类红花椒样品进行了测定和分析,LDA及PLS-DA鉴别模型均能将掺杂的样品与纯正的汉源花椒准确鉴别。本研究通过电子鼻技术和化学计量学的理论与方法实现了汉源花椒与其他不同产地红花椒样品的准确鉴别和汉源花椒的掺杂鉴别,为汉源花椒的中国国家地理标志产品保护、质量控制和产地溯源提供了新的技术参考。

贝叶斯框架下的总变分图像去噪算法

针对经典去噪模型易造成图像细节丢失以及确定性算法无法自动估计去噪过程中的未知参数等问题,提出一种新的图像去噪算法.该算法在贝叶斯框架下,用总变分模型(TV)和伽马分布分别刻画原始图像及未知参数的统计特征,并基于最大联合分布的推导,估计最优原始图像.总变分模型使最终的能量泛函非线性且不可微分,因此,引入迭代重加权最小二乘法(IRLS),通过迭代的方式用加权的L2范数逼近L1范数来表示图像的统计模型.实验结果表明,该算法可有效去除图像的噪声,提升去噪速度,使所恢复的图像在实际视觉效果和信噪比等方面均优于其他同类算法.

市场机制下光伏/小水电/抽水蓄能电站系统容量优化配置

在我国电力市场化改革以及新能源发电技术越加成熟的背景下,新能源发电技术在当前电力市场中无疑具有广阔发展前景。基于混合能源系统的经济效益以及清洁环保的现代化能源体系的需求,该文针对电力市场中的新能源发电技术,提出一种市场机制下光伏/小水电/抽水蓄能电站的混合能源系统容量配置优化方法,旨在获得最大的经济效益。首先建立以光伏电站、小水电站和抽水蓄能电站为主体的混合能源系统模型。其次,基于该模型提出以系统投资成本最小为上层目标函数和以系统获得售电收益最大为下层目标函数的双层规划模型,并采用线性递减惯性权重粒子群算法以及序列二次规划算法对模型的上、下层求解。此外,该模型考虑各个主体投资成本的规模效应。最后,基于收集的数据对混合能源系统容量配置进行仿真分析,得出有储能方式下的混合能源系统在整个项目周期内所获经济效益是无储能方式下的2.6倍,结果验证了提出的模型与方法的有效性。

基于样本局部判别权重的加权迁移成分分析

鉴于迁移成分分析(TCA)忽略了样本间的局部信息差异性,提出一种基于样本局部判别权重的加权迁移成分分析.首先,通过对局部近邻圆内样本分布情况的分析,为共享特征子空间中的每个样本均设计一个局部判别权重;然后,通过将局部判别权重与最大均值差异相结合构造的分布差异矩阵引入进TCA的目标函数中,从而体现样本对维持局部结构的贡献度差异;最后,结合联合分布调整和线性判别分析,使算法不仅能够同时缩小领域间的边缘分布差异和条件分布差异,而且能够提高算法的类间可分特性.36组跨领域图片数据集上的实验结果表明,所提算法能够获得65.67%的平均分类精度.

标准回肠可消化色氨酸与赖氨酸比值对保育猪生长性能的影响

摘要：本研究的两个试验旨在评估保育猪最佳生长性能所需的标准回肠可消化（SID）色氨酸与赖氨酸的比值。试验配方确保赖氨酸作为第二限制性氨基酸。试验1中（饲养体重阶段为6-10 kg）,255头保育仔猪（PIC 327×1050,初始体重为6.3±0.15kg,平均数±标准差）按栏重分为6个处理,每个处理7栏（每栏为1个重复）,每栏饲养6至7头仔猪。6个处理的SID赖氨酸水平均为1.30%,但SID色氨酸与赖氨酸比值分别为14.7%、16.5%、18.4%、20.3%、22.1%和24.0%,试验为期14天。试验2中（饲养体重阶段为11-20 kg）,1088头保育仔猪（PIC 337×1050,初始体重11.2±1.35 kg,平均数±标准差）按保育猪的平均体重分为7个处理,每个处理6栏（每栏为1个重复）,每栏饲养24至27头仔猪。