一种新型可靠性抽样设计方法——基于经济优化视角

混合截尾可以看作是一型截尾及二型截尾的拓展,常用于可靠性试验。然而,在规定时间上限内,当产品失效数远小于截尾数时,现有的可靠性抽样方案可能存在推断偏误。因此,结合已有研究,立足混合截尾,基于经济视角设计出混合截尾下一种新型可靠性抽样方案。通过一系列对比分析,发现新方案可在保留原方案小样本量优点的同时增强判定的可靠性。从缩减企业检验成本的角度出发,应在试验前使检验时间上限尽可能小、截尾度尽可能大。从科学性及实用性角度综合考虑,该方案展现出较优的性质,值得推广使用。

一种基于混合RJMCMC方法的宽带信号DOA估计方法

该文基于被动多传感器阵列,在可逆跳转马尔可夫链蒙特卡罗方法基础上引入随机游走抽样理论,提出一种混合RJMCMC方法,通过将局部采样与全空间采样相结合,可以在更短的时间内得到更好地服从目标分布的随机数,结合信号和噪声的统计特性以及贝叶斯参数估计理论可实现宽带信号源数目和波达方向联合估计。仿真结果证明,该文方法能更为快速、准确地估计出信号源个数和波达方向。

考虑混合润湿孔隙的页岩油藏表观渗透率模型

页岩油藏是典型的非常规油气资源,在国际能源供应市场上占有重要地位。由于页岩油藏复杂的孔隙结构和原油组成,使得原油在富有机质页岩中的流动具有一定的复杂性,对其流动行为仍有待进一步深入研究。基于随机模拟方法,考虑流体在混合润湿纳米孔隙中的流动特征,建立页岩油藏表观渗透率模型。结果表明:页岩油藏表观渗透率与烷烃分子结构直接相关,其影响随着孔隙半径的增大而减小;当边界滑移长度较大时,有机质的存在可以改善原油流动能力,其表观渗透率约为绝对渗透率的10倍。同时,有机质吸附导致的孔隙半径缩小和润湿反转效应对烷烃分子流动能力有显著影响,不可忽略。所建立的考虑混合润湿孔隙的页岩油藏表观渗透率模型有助于深入认识页岩油藏流体渗流机理,可为页岩油藏产能评价、动态分析及生产制度优化提供理论支撑。

线上线下混合教学在信号与系统课程中的应用——以“抽样定理”为例

信号与系统课程是电子信息类一门重要的专业基础课,起承上启下的作用。根据当前我校学生学习时间、空间的灵活性,内容的多样性,课程组对该课程致力于线上线下混合式教学改革。本文以信号与系统课程中一重要知识“抽样定理”为例,从教学内容、教学手段、教学方法、工程应用、课程思政等方面详细讲述线上线下混合教学的具体实施过程。实践教学表明,混合式教学激发了学生学习热情,提高了学生自主学习能力、独立思考和分析问题能力,培养了工程思维能力和团队协作意识,取得了较好的教学效果。

纵向数据下线性混合效应模型的贝叶斯变量选择

在纵向数据下讨论了如何采用贝叶斯方法将线性混合效应模型分别进行固定效应和随机效应选择的问题。针对固定效应选择,首先给出线性混合模型的似然函数,然后对于固定效应引入Spike-and-Slab混合先验,对于随机效应中的协方差矩阵给定Inverse-Wishart分布先验,运用二元潜变量标记固定效应中的活跃协变量,给出满条件分布及相应的Gibbs抽样算法。针对随机效应选择,采用Cholesky分解对线性混合模型中的协方差矩阵进行重新参数化,从而将随机效应分布的协方差参数函数作为标准正态潜在变量的回归系数,通过为随机效应协方差分解后的参数选择Spike-and-Slab混合先验,利用分层贝叶斯模型识别零方差的随机效应,给出满条件分布以及相应的Gibbs抽样算法。使用模拟数据说明方法的有效性,最后将模型应用于2017年2月至2018年2月的26家上市银行的实际数据,验证了方法的优良性。

全波形LiDAR数据分解的可变分量高斯混合模型及RJMCMC算法

传统激光雷达(light detection and ranging,LiDAR)数据处理均采用固定数的波形分解方法,容易遗漏部分重叠的返回波,降低波形拟合精度。为了实现可变数波形分解,本文提出了一种自动确定波形分解数的方法。假定波形数据服从混合高斯分布,并以此建立理想的波形模型;定义用于控制理想模型与实际波形拟合程度的能量函数,用吉布斯分布构建或然率;根据贝叶斯定理构建刻画波形分解的后验概率模型;设计可逆跳转马尔科夫链蒙特卡洛(reversible jump Markov chain Monte Carlo,RJMCMC)算法模拟该后验概率模型,以确定波形分解数并同时完成波形分解。为了验证提出算法的正确性,分别对不同区域的ICESat-GLAS波形数据进行了波形分解试验,定性和定量分析结果验证了本文方法的有效性、可靠性和准确性。

一种贝叶斯网络结构学习的混合随机抽样算法

贝叶斯网络结构学习的随机抽样算法存在收敛速度慢的问题,为此,结合均匀抽样和独立抽样,从初始样本、抽样方式和建议分布3个方面对抽样过程进行改进,提出一种混合型马尔可夫链蒙特卡罗抽样算法(HSMHS)。基于节点之间的互信息生成网络结构的初始样本,在迭代抽样阶段,按一定的概率随机选择均匀抽样和独立抽样,并根据当前抽样的样本总体计算独立抽样的建议分布,以改善抽样过程的融合性,加快收敛速度。对算法进行正确性分析,证明其抽样过程收敛于网络结构的后验概率分布,可保持较高的学习精度。在标准数据集上的实验结果表明,HSMHS算法的学习效率和精度均高于同类算法MHS、PopMCMC和Order-MCMC。

基于改进蒙特卡洛混合抽样的含风光电力系统风险评估

强随机性和不确定性风电、光伏的接入使得电力系统运行变得更加复杂,全面高效评估含风光电力系统运行风险尤为必要。首先,针对传统蒙特卡洛方法在电力系统风险评估中计算效率较低的问题,结合全概率抽样、等分散抽样和自适应重要抽样的思想,提出一种基于改进蒙特卡洛混合抽样的风险评估方法。然后,计算系统的失负荷风险、电压越限风险、支路越限风险和稳态频率越限风险,并采用三层评估指标体系评估系统的运行风险。最后,以改进IEEE-RTS79系统和西北某省实际系统为例,验证了所提方法的有效性和准确性。并分析风光不同的接入位置、接入容量、接入比例下的系统风险情况,其结果可为电力系统运行及规划提供参考信息。

多阶段混合型随机抽样

大规模现场调查，由于情况复杂、影响因素多，往往采用多阶段混合型随机抽样方法。本文对现有的几种阶段抽样方法，从实施效果考察提出：在条件允许情况下精心设计前几阶段抽样，保证足够单位数，同时多抽最后阶段观察单位，如用整群抽样是可行的。

利用混合样本和序贯二项抽样对率进行区间估计的研究

目的探讨对较低的率做区间估计时如何利用混合样本和序贯二项抽样降低检测次数,节约成本。方法根据中心极限定理和δ方法(或Fisher信息量),利用正态近似给出总体率的置信区间,并通过理论分析和随机模拟,从区间的实际覆盖率、精度和检测次数等角度,对一些样本混合及检测方案进行测试。结果当nb(r,p)的参数r≥4时,本文给出的95%置信区间的实际覆盖率均可达到95%;为了达到指定的精度,由m=1可找到最小的r,增大r并适当增大混合样本中的样品个数m,可保持精度不变。结论利用混合样本方法并结合序贯二项抽样,可以有效减少检测次数,降低成本;对指定的估计精度,结合检测成本和样品采集成本,用本文的思路和方法可大致确定合适的样本混合及检测方案。

生物序列模体的混合Gibbs抽样识别算法

针对生物序列模体的识别问题,提出了一个新的混合Gibbs抽样识别算法.算法基于混合模体模型学习,采用贪心策略,通过似然度最大化,逐次将新的模体加入到混合模型中.算法中设计了位点抽样和模体抽样两种抽样方法,这两种抽样方法交替进行.为了加速搜索过程,对输入数据集采用了基于kd-trees的分层划分策略.实验结果表明,该算法对序列家族大量模体特征的识别具有显著优势,并且可建立更具统计特征的模体模型,从而提高序列分类的准确性.

基于混合密度估计的自适应重要抽样可靠性及可靠性灵敏度分析

提出一种高效的基于混合密度函数的自适应重要抽样法,分析结构的失效概率及偏导型可靠性灵敏度。该重要抽样方法运用有限混和密度函数拟合法得到失效域中预抽取样本点的概率密度函数,将之作为重要抽样函数。这些预抽取样本利用马尔可夫链快速模拟得到,相应的重要抽样函数将趋于最优化的重要抽样函数。其次,将所提方法运用到结构可靠性灵敏度的分析中。所提方法具有比传统重要抽样法更高的效率,且可以运用于多模式系统结构的分析,最后给出的算例亦说明文中方法的精度和效率。

混合因子分析的重新抽样方法

混合因子分析是一种对具有复杂结构的多维数据建立模型的方法.本文提出了一种进行混合因子分析的重新抽样方法.当给定一组数据样本时,我们首先建立样本概率分布的混合高斯模型,然后为每一个高斯混合项重新抽取新的数据样本,在新的样本上再对每一个高斯混合项进行因子分析.与已有的算法相比较,避免了计算各个高斯混合项在每个样本值之下的后验概率,又减少了进行因子分析时参与计算的数据样本的数量.

基于Gibbs抽样正态混合模型的参数估计

文章运用Gibbs抽样方法,推导了正态混合模型参数估计的迭代公式,并且进行了计算机模拟,得到了较好的效果。

一种基于抽样的大规模混合数据聚类集成算法

混合数据聚类是聚类分析中一个重要的问题。现有的混合数据聚类算法主要是在全体样本的相似性度量的基础上进行聚类,因此对大规模数据进行聚类时,算法效率不高。基于此,设计了一种新的抽样策略,在此基础上,提出了一种基于抽样的大规模混合数据聚类集成算法。该算法对利用新的抽样策略得到的多个样本子集分别进行聚类,并将结果集成得到最终聚类结果。实验证明,与改进的K-prototypes算法相比,该算法的效率有了显著提高,同时聚类有效性指标基本相同。

分层部分样本轮换抽样下的混合估计

在实际抽样调查中，人们常采用部分样本轮换的方式进行抽样调查，然而，它的估计与精度如何，尚未见报导．本文试图对常用的分层抽样方式下的部分样本轮换抽样的估计及其精度问题作一探讨：给出了一个最佳的混合估计方法；讨论了部分样本轮换抽样的数目与总体前后期相关系数的关系。

一种基于混合遗传算法优化的截断重要抽样法

针对并联系统失效概率的计算,提出一种基于混合遗传算法的截断重要抽样法。所提算法中,基于十进制编码的混合遗传算法被用来寻找并联系统最可能失效点x*和系统近似可靠度指标β。以β为半径建立以坐标原点为球心的截球,并以x*为抽样中心构造重要抽样概率密度函数,从而建立针对并联系统可靠性分析的β球截断重要抽样法。通过算例分析,比较了几种不同并联系统失效概率计算的方法,结果表明本文方法比连续顺序近似法、一次二阶矩法具有更高的计算精度,比蒙特卡洛法具有更快的收敛速度,尤其是针对小失效概率问题;与β球截断抽样法和重要抽样法相比,计算效率也进一步提高。

“抽样定理”混合教学方法设计研究

结合信号与系统课程教学现状,提出采用STEM教育科学表达?点"抽样定理"为例,综合运用仿真软件、视频文件、动画形象化讲解等多种教学手段,基于超星学习通构建线上和线下混合教学模式,加强学生对知识的理解和应用;设计多层综合评价体系,注重学生过程学习能力的培养。实践表明,采用赛耶模型设计教学活动不仅调动了学生课堂热情,提高学生独立思考能力和分析能力,培养学生工程思维及创新能力,取得了良好的教学成果。

基于分层抽样的模拟禁忌混合智能优化算法TSII

将分层抽样随机模拟与禁忌搜索结合,构造了TS II模拟禁忌混合智能优化算法。随机模拟采用缩减方差、加速收敛的分层抽样技术,保证抽样遍布于整个搜索空间,避免禁忌搜索路径往返重复,克服禁忌搜索对初始解的依赖,算法同时使用禁忌表与希望表,将分散搜索与集中搜索相结合,增强算法的并行处理能力,提高寻优的效率与精度。Benchmark问题评测结果显示出了该算法的有效性。

混合不确定性下基于区间证据随机抽样的统一赋权法

由于评价问题的复杂性,以及专家知识和经验的局限性,群决策信息中往往同时包含不同程度的不确定性。在区间证据理论框架下对认知不确定性信息、多区间概率信息、不完全信息等混合不确定信息进行统一表示,进而根据区间证据间的相似度对群决策信息进行融合;采用区间数对评语等级进行定量化,并根据融合结果构造个指标重要程度的概率分布函数;最后通过概率分布函数的蒙特卡洛随机抽样确定指标权重。算例分析结果表明了新方法的有效性。