成组数据下加速失效模型的光滑估计

对成组数据下加速失效模型的回归参数提出一种光滑估计方法.设计一种重抽样方法估计渐近协方差阵,并进行了数值模拟计算.结果表明,在一定条件下,所提出的估计量是相合的且具有渐近正态性.

恒定应力加速寿命试验成组试验数据的Bayes统计分析

在产品的寿命服从指数分布的情况下,本文讨论了恒定应力加速寿命试验模型成组试验数据下的产品可靠性指标的Bayes估计,给出了数值计算例子。

基于RS的GMDH神经网络在空袭目标识别中的应用

针对目标属性识别的特点,建立了基于粗糙集(Rough Sets,RS)的数据分组处理(GroupMethod of Data Handling,GMDH)神经网络分类模型。该模型较好地解决了采用高维数据集训练神经网络效率低,神经网络结构规模较大的问题。同时为了提高高维数据集合的属性约简效率,改进了集合近似质量属性约简算法。最后,通过与BP(Back-Propagation,BP)神经网络分类能力的仿真对比,结果表明,基于粗糙集的数据分组处理神经网络分类模型分类能力优于BP神经网络模型,满足现代防空作战对目标属性识别的需求,基于快速求核和集合近似质量的属性约简算法快速有效。

鸡群对病毒灭活疫苗免疫后抗体动态检测的不同实验设计和统计学分析的比较研究

面对普遍发生的产蛋下降,许多种鸡场或商品代蛋鸡场往往不得不在产蛋期甚至产蛋高峰期用灭活疫苗强化免疫。但过度频繁的强化免疫,常给产蛋鸡的生产性能带来严重的不良影响。合理的免疫程序应是在抗体滴度刚开始下降时即给以强化免疫。本研究试图比较不同统计学方法对抗体动态分析的影响,以期为免疫程序的设计提供参考。分别按不同的统计学设计和分析方法,在一个大型种鸡场的产蛋期对新城疫病毒、H9-和H5-禽流感病毒抗体滴度动态变化做了比较研究。对免疫后抗体动态变化的动态研究表明,用成对数据比较的t-test比按成组数据平均数的t-test更能准确可靠地确定免疫后抗体滴度的真实下降。在开产前用选择的最好的疫苗免疫后,高滴度的抗体水平可稳定地维持21周。在此期间对3种病毒的疫苗均未做任何强化免疫,直到21周后真正开始下降时才实施加强免疫。按此免疫程序,该种鸡群的产蛋率达到了历史最高水平。成对数据比较的t-test既可避免由于技术误差或系统误差产生某时段抗体下降的假象,也可避免由于个体差异而掩盖了幅度不大但确是真实的抗体滴度下降,可以为制定最合理的免疫程序提供科学的数据。

神经网络算法在股指预测中的应用

GMDH是一种具有自组织特征的数据处理方法,适用于非线性系统的建模,股指是一种重要的金融数据,具有混沌特性。该文将相空间重构引入了GMDH神经网络的建模中,并将之应用于道琼斯等股指的预测。同BP神经网络方法及一阶局域预测法相比,GMDH获得了更好的预测效果。

基于粗糙集的GMDH神经网络的时间序列预测

针对随机时间序列的强不确定性和非线性特征,结合粗糙集理论和成组数据处理的神经网络技术建立了基于粗集的GMDH神经网络预测模型。同时就自然界大多数的随机时间序列数据维数较大的问题,为提高约简效率,提出了基于快速求核和集合近似质量的约简算法,并进行了仿真验证。结果表明,基于粗集的GMDH神经网络预测模型合理可行,约简算法快速有效。

试验设计对假设检验的影响

对于参数性假设检验问题,如何正确建立原假设和备择假设并选择合适检验统计量是学生学习过程中的两个难点问题。针对这两个问题,从典型案例展开讨论,分析了假设检验的立场问题并给出原假设和备择假设的建立原则;分析了成对数据与成组数据的差异,分析清楚条件后再给出正确的检验统计量。

基于GMDH的加速度计模型辨识

常规的加速度计静态模型辨识方法是建立在理想的单输入假设前提下的,在实际的多参数复合输入情况下则具有明显的不适用性,尤其是测量噪声不满足一般回归分析要求时更是如此。本文提出了一种基于GMDH神经网络的加速度计静态模型辨识方法,可以有效的解决其存在的问题,并进行了试验验证,表明该辨识方法的结果与常规辨识方法的结果具有很好的一致性。

基于回归分析的多传感器时间配准跟踪方法

为提高大数据量情况下目标跟踪数据处理效率,将各传感器获取的目标测量值在时间轴上依次排列,利用成组序贯数据回归分析的目标跟踪方法,实现时间配准与目标跟踪的同步处理.首先对滤波曲线两点回归分析,逐一预测各观测点到达时刻的置信区间,筛选关联点;然后按系统处理周期分组,对关联点进行成组观测数据回归分析,计算出观测融合点,再用观测融合点更新滤波器新息;最后在Kalman滤波器框架下,实时更新运动方程,递推完成目标连续跟踪.仿真结果表明,本文时间配准跟踪方法能同步完成时间配准和目标跟踪,在节约资源的同时提高系统跟踪精度.