基于空间分布和时间序列分析的粒子滤波算法

针对粒子滤波存在的粒子贫化问题,提出了一种改进的重采样粒子滤波算法.在重采样步骤中基于采样粒子集的空间分布引入时间序列分析,选取相关度最高的粒子进行传递,避免了只关注采样粒子权值的传统重采样算法中仅复制大权值粒子而任意丢弃小权值粒子的缺陷,因此能够消弱粒子贫化现象,提高算法的估计精度.在理论上利用两样本Kolmogorov-Smimov检验原理证明了改进算法重采样后的粒子集和采样前的粒子集来自同一总体.仿真结果表明,尤其是在初始采样粒子数目较小时,该算法在非线性系统状态估计中的精度优于传统的粒子滤波算法.

异形大跨指廊屋盖脉动风压非高斯特性研究

基于刚性模型测压风洞试验,研究异形大跨屋盖的平均风压分布及脉动风压非高斯特征,分别采用高阶统计量法和柯尔莫哥洛夫-斯米尔诺夫(Kolmogorov-Smirnov,K-S)检验法对脉动风压的非高斯特性进行判别并划分其分布区域,最后通过5种概率分布模型对非高斯脉动风压的概率分布进行拟合。结果表明:屋盖表面平均风压以负压分布为主,且负压极值多出现于屋脊或屋面转角的气流分离区;异形大跨屋盖脉动风压的非高斯特性显著,非高斯脉动风压主要出现在屋面迎风前缘、指廊背风侧和屋面转角处,相较于高阶统计量法,K-S检验法的划分结果集中度更好,规律性更强;通过相关系数和均方根误差评价拟合效果,5种概率分布模型中的Weibull模型对非高斯脉动风压概率分布的拟合效果最佳。

基于径向基函数神经网络的电火花线切割机床可靠性数据模拟生成

针对电火花线切割机床(Wire electrical discharge machining,WEDM)可靠性数据分布模型无法确定的问题,提出应用径向基函数(Radial basis function,RBF)神经网络对可靠性数据进行模拟仿真,扩大可靠性数据样本量,从而确定其分布模型的方法。选取聚类学习算法作为神经网络学习方法,通过无监督学习确定RBF神经网络中各隐节点的数据中心,并根据各数据中心之间的距离确定隐节点的扩展常数,然后用有监督学习训练各隐节点的输出权值。经过对原始可靠性数据进行拟合训练后生成一套RBF神经网络,随机产生100个可靠度数据输入该神经网络产生与原始可靠性数据具有相同失效统计规律的数据。对扩充后的可靠性数据通过图估计法和柯尔莫哥洛夫-斯米尔诺夫(Kolmogorov-smirnov,K-S)检验法确定电火花线切割机床可靠性数据分布模型为对数正态分布模型,同时对可靠性模型的参量估计更加准确。

适应交通流演化的伽马分布形状参数估计

研究交通流演化规律对交通安全措施的实施具有重要意义。交通流的演化过程一般可分为交通流的量变与质变。鉴于交通自由流状态、拥挤流状态及间歇流状态的分布均可由伽马分布表达,利用伽马分布及其变点检验算法进行变点搜索及检验,确定变点前后的交通流状态。结合柯尔莫哥洛夫—斯米尔诺夫检验方法对观测数据是否服从伽马分布进行拟合优度检验。为较直观说明交通流的演化规律,结合极大似然估计,给出了适应交通流演化的伽马分布形状参数估计。实验结果表明,伽马分布形状参数估计的研究是探索交通流演化规律的有利途径。

索奇MT降铅疗效的统计分析(英文)

应用数理统计中柯尔莫哥洛夫-斯米尔诺夫检验(简称K-S test)、配对样本的T检验、秩相关系数,对200例铅中毒儿童服用生物饮品索奇MT的前后数据进行分析.结果显示,铅中毒儿童在服用索奇MT后铅含量明显降低.

基于神经网络技术的评卷误差控制模型及其应用

各类考试的评卷工作中 ,如何使评卷人员在整个评卷过程中始终掌握评分标准的一致性和评卷的稳定性 ,控制评卷误差 ,是有关方面一直在关注和急待解决的问题。将评卷的模式从传统的纸上评卷改为在计算机上进行的网上评卷 ,把智能神经网络技术应用到网上评卷中 ,用柯尔莫哥洛夫—斯米尔诺夫检验作为控制 ,通过检验输出的值是否符合要求 ,达到随时掌握和及时调整评卷人员的状态 。

大型多指廊屋盖风荷载非高斯特性风洞试验研究

基于我国大型机场航站楼(指廊间最大距离约1500 m)的刚性测压风洞试验,采用高阶统计量方法和柯莫哥罗夫-斯米尔诺夫假设检验方法(K-S法)分析了大型多指廊屋盖表面风压的非高斯特性以及周边建筑对屋盖表面风压分布特性的干扰效应.研究结果表明:周边建筑对屋盖表面风压分布特性的干扰效应总体不显著,极值负压略有减小;大型多指廊屋盖表面风压基本为负压,在屋檐及转角区域的负压值较其他区域更大.高阶统计量方法划分的非高斯区其结果比较分散,同一区域存在不连续情况,且部分区域划分结果对风向角不敏感,而K-S方法划分的非高斯区域连续且覆盖范围与风洞试验分析得到的风压分布规律比较吻合.最后,本研究的风洞试验结果表明:大型多指廊屋盖结构在迎风屋檐、转角等区域表现出明显的非高斯特性,应在我国大型屋盖结构风荷载规范中予以考虑,采用改进的峰值因子估计方法,并宜按非高斯性分区适度提高峰值因子取值.