基于序列样本的威胁雷达信号识别方法

针对传统信号识别速度慢和对无法识别持续时间短的威胁雷达信号等问题,研究了信号序列样本构建方法和变步长匹配方法,提出了一种基于序列样本的威胁雷达信号识别方法。该方法根据先验知识构建雷达信号序列样本,采用变步长匹配法对脉冲流进行匹配识别,并对持续时间较短的雷达信号进行处理。仿真实验验证了基于样本序列的威胁雷达信号识别方法的有效性和可靠性,实验表明该方法对复杂环境和复杂体制雷达信号的适应能力强,正确匹配率高。

不同样本序列下侵蚀性雨量标准的研究

侵蚀性降雨标准可以将发生侵蚀和不发生侵蚀的降雨区分开来 ,但它的拟定需要基于一定的降雨样本。利用黄河流域子洲径流实验站 196 2— 196 9年降雨径流观测资料 ,分析了不同样本年数与拟定的侵蚀性雨量标准的关系 ,结果表明 ,足够多的样本数才能保证雨量标准的稳定性 ,但考虑到资料的易获得性和计算的工作量 ,5a序列的观测资料 ,已经满足拟定侵蚀性雨量标准的要求。

一种基于脉冲样本序列的PRI周期信号分选算法

针对传统脉冲重复间隔(PRI)分选算法在估计PRI方面存在的不足,提出了一种对PRI周期信号的周期进行准确估计的方法。该方法首先从待分选脉冲序列中提取出属于一部雷达的脉冲样本,然后基于这些样本对该雷达脉冲序列的周期进行精确估计,并用估计到的周期值进行脉冲序列抽取从而实现准确分选。相对于传统PRI分选算法,该算法能够在保证周期估计精度的前提下大幅度减少分选过程所需要的时间,从而能够更好地满足信号分选的需求。仿真结果证明了所提算法的有效性。

多样本时间序列的P-T曲线可靠性评估方法

提出一种用于评估固体火箭发动机内弹道压强—时间曲线(P-T曲线)的多样本时间序列方法.该方法可以综合利用单条样本曲线数据内的纵向信息和多条样本曲线数据间的横向信息,提高固体火箭发动机内弹道性能曲线可靠性评估的精度.具体给出了等间距与非等间距情形下多样本P-T曲线模型参数的极大似然估计方法以及当给定压强满足可靠性要求的上、下限时可靠度的点估计与区间估计计算公式.文中最后给出了一个具体实例.

基于遗传算法的SFAM训练样本序列的确定

训练样本集输入序列的确定直接关系到简单自适应谐振匹配网络(SFAM)作为分类器的执行性能,已有确定算法包括随机序列仿真算法、投票决策算法和最大-最小序列算法。基于遗传算法作为一种全局搜索算法的特点,本文提出用遗传算法实现SFAM训练样本集最优输入序列确定的方法,并以加州大学Irvine分校机器学习数据库作为实验样本库,实验结果表明,该算法比投票决策算法和最大-最小序列算法对提升SFAM网络分类器的分类精度和降低训练时间更为有效。

样本序列的可预测性研究

本文首先介绍了由一个样本序列重构系统动力学特性的文法，在此基础上，引入了一种称为递归图的图形工具，它可形象。

基于小样本脉冲序列匹配的重点雷达目标快速识别

针对雷达对抗侦察系统如何快速有效识别出重点雷达电子目标的问题,提出了利用雷达小样本脉冲序列模板从接收到的复杂混合脉冲序列中抽取重点雷达信号的思路,并实现了该算法,克服了目前雷达对抗侦察信号处理流程僵化、识别速度与识别正确率受信号分选算法限制的缺陷。在此基础上,提出了多目标并行理论分析与计算机仿真实验,进一步验证了该方法能够在密集雷达脉冲流中快速、准确识别出重点雷达电子目标。

有限相依随机序列的非贝叶斯变点最优监测

本文研究了有限相依样本序列的非贝叶斯变点检测问题.通过引入非负动态随机控制线,我们不仅构造并证明了两个最优控制图,而且还得到了比原定义更容易计算的Lorden测度和Pollak测度的最小值的表达式.

改进时间序列模型在高速公路短时交通流量预测中的应用

为了提高短时交通流预测精度,针对传统时间序列模型在进行交通流量预测时存在无法动态调整模型参数、样本量过大导致序列的平稳性减弱、建模过程复杂等不足,从样本序列的动态选取及模型识别两方面进行优化,提出了一种改进的时间序列模型。利用渝武高速公路微波车检器的实测流量数据对改进前后的时间序列模型进行了实验验证和对比分析,结果表明改进后的时间序列模型有效克服了传统时间序列模型的不足,并对不同的交通流状况具有较好的适应性,无论在工作日还是节假日均具有更高的预测精度。

基于重构观测样本的时变MIMO信道估计

在假设信道为连续平坦衰落的条件下,提出两种基于重构观测样本的MIMO信道估计方法,一种是基于累加观测样本序列AONSS(Accumulative Observed Noisy Signal Sequence)的方法,另一种是基于级联观测样本序列CONSS(Reconnected Obserred Noisy signal Sequence)的方法。仿真结果表明:在信道时变情况下,本文提出的基于重构观测样本的信道估计方法是切实可行的,为深入研究MIMO通信系统下的基于重构观测样本的信道估计提供了一种新的思路和途径。

基于联合样本和分布函数的极端降雨重现期分析

为识别气候变化背景下极端降雨特征,基于极端降雨事件发生概率小、降雨强度大等特点,构建了年最大降雨和超阈值极端降雨的联合样本序列,采用广义极值分布、伽马分布、正态分布等多分布函数进行拟合,优选分布函数后计算降雨重现期。应用该方法对淮河流域2003年和2007年两次暴雨洪灾事件中日降雨重现期进行了较为准确的计算,并对重现期进行空间插值,识别引发重大洪灾事件时极端降雨的时空分布特征。结果表明:淮河流域2007年7月8日降雨重现期达到了195 a,日降雨极端性最强;2003年最大降雨重重现期为132 a,其他日期均在10 a以下,降雨覆盖面更广。两次洪灾事件中降雨特征较为鲜明;针对不同特征洪灾应采用相应的防灾和减灾措施,最大程度减少灾害损失。该方法充分利用了极端降雨信息,识别了极端降雨分布特征,加深了对极端降雨诱发重大洪灾的认识,可为防洪减灾策略制定提供参考。

两两NQD序列下Lomax分布参数的经验Bayes检验

讨论了Lomax分布参数的经验Bayes双边检验问题.对于两两NQD样本序列,利用核函数估计方法给出了检验函数,证明了该检验函数是渐近最优的,并在适当的条件下得到其收敛速度.

养护路段的有序聚类划分

路段的合理划分是开展路面养护和管理工作的基本前提。本文首先分析了常规养护路段划分方法在实际养护工作中的缺陷,然后提出了一种更加合理、操作性更强的养护路段划分方法,即利用有序样本的聚类方法来划分养护路段,主要阐述了有序样本聚类的基本原理,建立了养护路段的有序聚类模型,并利用此模型进行了实例分析。

基于灰色理论的小样本振荡序列区间预测建模方法

传统单变量灰色预测模型的指数结构形式制约了其对小样本振荡序列的模拟与预测能力,对此,通过包络线将振荡序列拓展为具有明确上界与下界的区间灰数序列,还原影响因素不确定性条件下振荡序列的区间灰数形式;在此基础上,利用区间灰数建模方法实现对振荡序列取值范围的模拟与预测.应用该方法较好地模拟了具有振荡特征的重庆市空气质量指数(AQI)的变化规律,所得研究成果为小样本振荡序列的模拟与预测提供了一种新的分析方法与建模手段.

NA随机变量的递归密度核估计的渐近正态性

设{Xn,n≥1}为同分布的NA样本序列,其未知概率密度函数为f(x),基于样本X1,…,Xn,用递归密度核估计对f(x)进行估计.本文研究了在一定条件下,fn(x)的渐近正态性.

基于傅立叶级数的小样本振荡序列灰色预测方法

针对现有灰色模型不能适用于小样本振荡序列预测的问题,提出了基于傅立叶级数的小样本振荡序列灰色预测方法.首先对原始序列建立GM(1,1)幂模型以描述系统行为的总体趋势;然后利用傅立叶级数提取模型的残差序列所包含的周期性振荡规律,并以二者之和构成新的时间响应函数;最后以平均误差最小化为目标,建立非线性优化模型求解最优参数.应用实例表明,该方法能够有效地提高灰色模型对小样本振荡序列的预测精度.

R上由指数型整函数的Hermite型插值的收敛性

证明了如果f∈L1p(R) ,f′(x) =O(1(1+|x|) 1/p+δ) ,δ >0 ,且f′在R的任何有限区间上Riemann可积 ,则limσ→∞‖f-Hσ(f)‖p(R) =0 ,其中Hσ(f)是f通过由其样本 {f(kπσ) } k∈Z和 {f′(kπσ) }k∈Z在Lp(R)中的指数 2σ型整函数空间B2σ,p中的

Hermite型插值的混淆误差的估计

证明了如果f∈Lp1(R),f′(x)=O(1+|x|)-(1/p-δ)),δ>0且f′在R上任何有限区间上Riemann可积,则‖f-Hσ(f)‖p(R)≤Cpσ-1ωkf′,σ1.其中Hσ(f)是f通过由其样本fkσπk∈Z和f′kσπk∈Z在Lp(R)中的指数2σ型整函数空间B2σ,p中的Her-mite型的插值算子,ωk(f,t):=sup|h|≤t‖Δhkf(x)‖p(R)为函数f的k阶光滑模.

基于HP滤波—神经网络方法的企业信用风险失真判定

虚假信息的发布导致企业信用风险出现失真现象,如何还原企业信用违约真实水平、寻找信用风险失真校准方法是国内外理论与实务界研究的热点。本文在综合考虑虚假信息的多维性与时序特征的前提下,以Hodrick-Prescott(HP)滤波为基础设计了信息数据降维方法,兼顾企业自身和同行业双重因素对企业信用风险失真的影响,建立了多样本多维指标时间序列的神经网络模型对企业信用风险失真进行判定,实证分析结果进一步验证了该模型的有效性。

多元Sobolev空间上的混淆误差估计

利用多元带有限函数在非正规样本序列上的插值,讨论了经典多元Sobolev函数类空间的混淆误差,并给出了阶意义下的精确误差界。