基于函数型数据分析算法的电阻性本质安全电路电弧放电模型

区别于电感性和电容性本质安全电路,电阻性本质安全电路的电弧放电波形因具有三种类型一直无法被准确描述,且电阻性电路本质安全判据的不完善描述会导致实际运行条件下爆炸事故的多发性。对此,该文首先考虑电阻性本质安全电路的放电过程及波形特征,基于函数型数据分析回归算法,建立了高维、参数强相关、适用范围广的电阻性电路电弧放电数学模型,并基于模型建立了相应的本质安全能量判据;然后采用该模型模拟电阻性电路放电过程并提出了一种电弧放电波形分类方法,发现在特定电路参数条件下,当电路正常工作电流I≤0.15 A或I≥0.6 A时,电弧放电基本呈现典型放电形式;最后搭建火花放电试验平台,验证了所建电弧模型的可行性与预测效果的准确性。

基于可见/近红外光谱和函数型线性回归模型的成熟期苹果可溶性固形物含量预测

可溶性固形物含量(SSC)是反映苹果品质和成熟度的重要指标,能够用于苹果品质分析和成熟度预测。以新疆阿克苏冰糖心红富士苹果为研究对象,从果实膨大定形期至完熟期,以3d等间隔周期采摘样本,采集其380~1110nm的可见/近红外光谱,测定其SSC,共552个样品。然后,利用基函数平滑方法将采集的可见/近红外光谱离散数据转化为光谱曲线,即函数型数据,并以可见/近红外光谱曲线、一阶导曲线、二阶导曲线为函数型解释变量,SSC为标量响应变量,分别建立函数型线性回归模型。为了验证和分析模型的性能,根据原始光谱离散数据,经过移动平滑、一阶导和二阶导预处理后,分别建立偏最小二乘回归(PLSR)、核支持向量机(KSVM)、随机森林(RF)、梯度提升树(GBM)和深度神经网络(DeepNN)。结果表明,在建立的18个模型中,针对训练集,PLSR-dNIR模型、KSVM-dNIR模型、RF-dNIR模型、GBM-dNIR模型和Deep NN-d2NIR模型都优于FunLR-NIR模型、FunLR-dNIR模型、FunLR-d2NIR模型,且Deep NN-dNIR模型最优(r_(c)=0.9996,R_(c)^(2)=0.9986,RMSEC=0.0740,RPDC=27.4366);针对测试集,FunLR-NIR模型、FunLR-dNIR模型、FunLR-d2NIR模型均优于其他所有模型,且FunLR-NIR模型最优(r_(v)=0.9534,R_(v)^(2)=0.9077,RMSEV=0.5856,RPDV=3.3017)。综合训练集和测试集的结果来看,核支持向量机模型、随机森林模型、梯度提升树模型和深度神经网络模型容易过拟合,而函数型线性回归模型具有更好的普适性。此外,从三个函数型线性回归模型(FunLR-NIR模型、FunLR-dNIR模型、FunLR-d2NIR模型)的预测效果看,模型均具有良好的鲁棒性和较高的预测精度。试验结果表明,结合可见/近红外光谱技术与函数型数据分析构建的函数型线性回归模型,可成功、有效地实现成熟期苹果的可溶性固形物含量预测。

带有删失函数型协变量的非参数模型的估计研究

该文在删失函数型协变量背景下,研究非参数模型的估计问题,通过使用曲线扩展算法把删失函数型数据扩展为完整函数型数据.该算法具有很好的准确性和灵活性,避免了删失函数型数据难以建模的问题.使用函数型核估计方法得到模型中非线性算子的估计值.通过数值模拟验证该算法的有效性和删失函数型数据对非参数模型的影响,并应用于肝硬化数据集的数据分析中.

基于函数型数据的广义线性回归模型

函数型数据的回归分析研究主要集中在函数型线性模型。不要求因变量为连续型随机变量,可以为离散型或属性数据(对应于泊松或Logistic回归),对同时含有数值型多元变量和函数型变量的广义线性模型的估计问题进行分析,采用非参数方法得到了参数部分和非参数部分的估计量,并给出了一种重加权算法进行参数求解,解决了含数值型和函数型混合数据类型自变量的回归问题,同时扩展了函数型线性模型的应用范围。估计过程中,分别采用了函数型主成分和B样条基函数,并给出了基函数个数选择的准则。数值模拟结果表明,所提出方法具有良好的可行性与正确性。

关键本构模型识别与不确定性量化方法研究

典型基于输入的最佳估算加不确定性(BEPU)分析方法需要全面考虑各种来源的不确定性,但作为重要不确定性来源之一的最佳估算程序内部本构模型不确定性却很难得到准确量化。针对传统BEPU方法的不足,采用函数型数据分析加次序敏感性分析方法识别重要模型,贝叶斯校准方法加高斯过程代理模型量化模型参数不确定性,得到了一种准确的关键本构模型识别与不确定性量化方法。使用该方法量化了FLECHT-SEASET实验中重要模型的不确定性,并将量化的不确定性抽样传播至包壳温度。另外对该方法与传统的关键本构模型识别方法进行对比。结果表明,该方法可以准确识别瞬态过程中的关键本构模型,传播计算结果能够很好地包络实验值。

函数型数据广义线性模型和分类问题综述

函数型数据采用全非参数的方法,假设数据来自一条光滑的曲线,把整个曲线当成一个样本来处理,从而避免高维和高度相关的问题。其研究始于20世纪50年代,经过近70多年来的发展,很多经典的统计分析方法都被推广到函数型数据,且被中外学者写成综述和相关书籍以便研究者使用,如主成分、典型相关、线性模型和聚类问题等。但是,目前仍缺少有关函数广义线性模型和分类问题的综述和书籍。基于此,本文从函数型数据发展的数据形式、函数近似包括基底展开和主成分、函数广义线性模型和分类等问题的发展历程及未来发展方向等方面进行详细的综述。进一步,为了能够在经济、金融、医学、气象和环境等领域更好地应用函数型数据,本文提供了具体的样条估计计算程序。

函数型部分线性单指标空间自回归模型

该文提出了函数型部分线性单指标空间自回归模型,该模型综合并拓展了函数型单指标模型和空间自回归模型.基于拟极大似然估计(QMLE)和局部线性方法,构造了一个四阶段估计器来估计参数和非参数分量,并由假设条件给出了参数和非参数分量估计的渐近性质.在此基础上,通过Monte Carlo模拟研究了估计器的有限样本性能,最后对加拿大气象数据的年总降雨量和日均气温曲线建立了函数型单指标空间自回归模型,研究发现年总降雨量存在负向空间自相关性,日均气温与年总降雨量正相关.

单调函数型数据半参数模型的估计（英文）

本文研究了单调约束条件下函数型数据半参数模型的估计问题,利用非线性混合效应模型的方法,给出模型中未知参数向量和单调参数曲线的估计,并通过模拟对提出的方法进行数值分析.

函数型数据部分线性模型的估计的r阶收敛性

论文利用一种特殊的加权方法和简单的最小二重法,对稀疏和稠密的函数型数据的半参数部分线性模型提出了一种统一的估计方法,并探讨了估计的r阶收敛性。在提出的方法中,不需要区分对数据的观测是稀疏的还是稠密的。

零膨胀计数数据函数型部分变系数模型

在实际数据分析中经常会遇到零膨胀计数数据作为响应变量与函数型随机变量和随机向量作为预测变量相关联。本文考虑函数型部分变系数零膨胀模型(FPVCZIM),模型中无穷维的斜率函数用函数型主成分基逼近,系数函数用B-样条进行拟合。通过EM算法得到估计量,讨论其理论性质,在一些正则条件下获得了斜率函数和系数函数估计量的收敛速度。有限样本的Monte Carlo模拟研究和真实数据分析被用来解释本文提出的方法。

基于sieve方法的响应变量为当前状态数据的部分函数型线性模型的估计

利用sieve方法研究响应变量为当前状态数据的部分函数型线性模型的估计.在一定的条件下,证明了该估计的强相合性和渐近正态性,得到了该估计的收敛速度,并且非参数部分达到最优收敛速度.最后通过一个数值模拟来研究该估计的有限样本性质.

混合函数型数据下Logistic回归模型的惩罚估计

针对响应变量为二分类,协变量为函数型和数值型混合数据的情形,建立Logistic回归模型。基于B-样条,结合粗糙度惩罚和稀疏惩罚得到回归参数的极大似然估计,模拟验证该方法的有效性。最后运用该模型拟合肉类光谱数据,发现光谱数据的特定波长范围对肥胖特征的判定无显著影响。

基于函数型非参数回归模型的中长期日负荷曲线预测

提出一种中长期日负荷曲线预测的新方法。该方法首先基于函数型数据分析理论,将日负荷曲线视为函数型数据,通过对历史负荷曲线样本自身规律的挖掘,建立基于历史负荷曲线样本的函数型非参数回归预测模型。在此基础上,通过构建二次规划模型对函数型非参数回归预测模型的预测曲线进行修正,使其满足待预测日负荷特性指标要求。利用某省级电网夏季典型日负荷数据和美国PJM电力公司冬季典型日负荷数据对所提方法进行测试,结果表明该方法具有较高的预测精度。

离散型二分类数据的广义混合线性模型分析——混合线性模型及其SAS软件实现(三)

目的 离散型系统结构数据若忽略其误差多层次的存在 ,采用广义线性模型分析会导致不实的结果 ,本文探讨了广义混合线性模型理论及其实现过程。方法 利用SAS宏程序GLIMMIX实现了logit及loglog混合模型的分析。结果 各项结果均与MLN的分析结果一致 ,且进一步拟合了数据的logit随机系数模型。 结论 GLIMMIX可分析多种离散型系统结构数据 ,但还应注意算法和数据的误差分布 ,才能使广义混合线性模型得以合理地应用。

函数型死亡率预测模型

人口死亡率反映人口的死亡水平,是人口规模的重要影响因素,同时也是人寿保险精算的重要数据基础。从数据特征来看,死亡率作为年龄的函数,是一种典型的函数型数据。本文使用函数型数据方法分析中国人口数据,基于1994—2010年中国人口分年龄死亡数据,建立函数型死亡率预测模型,对未来分年龄死亡率进行预测,并通过生命表方法计算了未来平均预期寿命。同时通过对历史数据的预测,说明模型预测结果比较可信。

基于实测数据的交通流模型比较研究

依据上海延安高架路段的交通流录像资料提取的26000余组实测数据,作出流量-密度图,发现随着路段整体平均密度的递增,Kerner指出的低密度自由流阶段的曲线特性越来越不明显;而在整体平均密度较低的情况下,又存在一定数量的高速度高密度数据.利用观测得到的大量数据,在按密度划分的不同区间内对已有的多个平衡函数进行最优筛选,得到分段平衡函数的表达式,使交通流模型更加贴近真实交通状况.最后提出了基于实测数据计算激进型驾驶者比例的方法,该方法的关键在于利用各种经过特征值变换后的平衡函数形式模拟已有数据的区域边界.

部分函数线性模型的经验似然推断

本文考虑部分函数线性回归模型,研究了回归系数的经验似然推断,证明了所提出的经验对数似然比渐近于χ^2分布,此结果可以用来构造了相应兴趣参数的置信域.另外,本文也给出了系数函数的极大经验似然估计,并在适当条件下给出了所提出估计量的收敛速度.仅就置信域精度及其覆盖概率大小方面,通过模拟研究和实例分析比较了经验似然方法与最小二乘方法的优劣.

基于最小二乘支持向量机的函数型数据回归分析

部分函数线性模型是用于处理输入变量包含函数型和数值型两种数据类型而输出变量为数值的一类回归机.为提高该模型的预测精度,基于函数系数在再生核Hilbert空间上的表示,得到模型的结构化表示,将函数系数的估计转化为参数向量的估计问题,并运用最小二乘支持向量机方法得到参数估计形式.实验表明,文中算法对数值型数据的向量系数的估计与其他参数估计方法性能相近,但对函数型数据的函数系数的估计更加准确稳健,有助于确保学习机的预测精度.

岭型主成分估计下数据删除模型的强影响分析

文章讨论了在岭型主成分估计下的数据删除模型,得到了该模型与最小二乘估计下模型的诊断统计量之间的等价关系,在此基础上根据W-K统计量的思想提出了两种度量方法,并通过实例论证了该方法的可行性。

固定设计函数型非参数回归模型的估计

本文研究一类固定设计函数型非参数回归模型回归算子的估计问题,其中,解释变量X是取值于某函数空间的函数型变量,响应变量Y为实值随机变量,在误差是一弱平稳线性过程及适当的条件下,获得未知回归函数算子估计量的相合性及其收敛速度和渐近正态性,推广了现有文献中的相关结果.