岩石抗剪强度参数的加权线性回归估计与验证

研究了岩石抗剪强度参数的优化估计方法,针对岩石抗剪强度数据中存在的异方差问题,引入了加权线性回归方法。在岩石抗剪强度的线性回归分析中,一般假定因变量观测值的观测误差都服从同一正态分布,但忽略了三轴强度数据中所存在的异方差问题。利用位于四川省西南地区的露天砂岩为研究对象,获取砂岩在不同围压下的三轴强度数据并应用加权线性回归方法进行分析并解决了数据的异方差问题。首先介绍了岩石抗剪强度的理论基础和相关的统计方法,然后详细阐述了加权线性回归的概念及应用范围。提出了加权线性回归的理论公式和检验方法,并解释了加权回归中的权重定义和计算方法。最后通过位于四川省西南地区的露天砂岩的试验数据进行验证,研究结果证明了加权最小二乘法在岩石抗剪强度参数估计中的有效性,研究成果可为抗剪强度参数的选取提供相关的理论依据。

多传感器线性最小方差最优信息融合估计准则

用Lagrange乘数法和矩阵微分运算 ,分别提出了按矩阵加权、按标量加权和各分量按标量加权的三种线性最小方差信息融合估计准则 ,其中考虑了估计误差之间的相关性 ,推广和发展了现有文献的结果。文中比较了三种融合估计的精度和计算负担 。

线性模型中Bayes线性无偏最小方差估计的优良性

在均方误差矩阵准则下研究了未知参数的Bayes线性无偏最小方差(Bayes linear unbiasedminimum variance estimator,BLUMV)估计相对于最小二乘(least square,LS)估计的优良性,并讨论了3种不同相对效率的界.在predictive Pitman closeness(PRPC)准则下研究了BLUMV估计相对于LS估计的优良性.

基于线性约束最小方差的稳健波束形成算法

针对平面阵列天线波束形成过程中的波达方向(DOA)估计失配问题,提出在期望信号(SOI)方向附近增加线性约束的算法,有效提升了平面阵列波束形成的稳健性;此外,针对增加线性约束会导致波束形成算法自由度降低的问题,以均匀线阵为例,提出在广义旁瓣相消(GSC)算法模型中添加阻塞矩阵预选环节的算法,有效解决了添加线性约束所致的自由度损失问题,从而使算法在提升稳健性的同时保持了原有的自由度。最后,通过计算机仿真实验验证了所提算法的有效性。

Bayes线性无偏最小方差估计相对于岭估计的优良性

在均方误差矩阵准则下研究了未知参数的Bayes线性无偏最小方差(BLUMV)估计相对于岭估计的优良性,在平衡损失风险函数准则下研究了未知参数的BLUMV估计相对于岭估计的优良性,并导出了在一定条件下BLUMV估计与最小二乘估计趋于一致.

最优加权最小二乘估计解与矩阵希瓦兹不等式的推广

本文得出了推广的加权最小二乘估计解 ,存在权系数 ,在估计误差方差矩阵最小意义下 ,得出了推广的最优加权最小二乘估计解 得出了推广的矩阵型希瓦兹不等式。

一类多元线性模型的一致最小方差无偏估计

本文讨论一类多元线性模型 :y=(S T′) β+e,E(e) =0 ,e=(ε′(1) ,… ,ε′(n) )′,E(ε(i) ε′(n) ) =Φ 0 ,E(ε(i) ε′(i) ε(i) ε′(i) ) =K,i=1 ,2 ,… ,n.当 y准正态分布时 ,在一定意义下得到Φ的 L S估计Φ1,以及 tr(DΦ1)为 tr(DΦ ) (D=D′)的一致对 (Φ ,k)的最小方差无偏估计 (UMVUE)的若干充要条件 .

最小方差线性无偏估计的存在性

本文对一般线性模型Y=xβ+ε进行研究,得到了cβ的最小方差线无偏估计存在的充要条件。

基于最小二乘原理的多传感器加权融合算法

以存在随机扰动环境中的不同参数多传感器为研究对象 ,基于最小二乘原理 ,提出了一种加权融合算法 ,推导出各传感器的权系数与测量方差的关系。并且根据测量信息 ,提出了一种方差估计学习算法 ,实现对各传感器测量方差的估计 ,从而对各传感器的权值进行合理的分配。该算法简单 ,能快速。

按分量加权的探测目标状态线性融合

给出了一种在使残差方差矩阵的迹最小化意义下的状态估计线性组合的最优融合准则和加权矩阵的计算公式 ,并给出了利用实际数据计算的试验结果。结果表明 ,利用本方法使融合后的目标轨迹与目标真实运动轨迹非常接近 。

迭代异方差估计及其在多传感器数据融合中的应用

本文提出一种适应任意噪声分布的迭代渐近无偏估计异方差的方法,它能对多个不同测量噪声的方差进行估计.不同于传统的异方差估计算法,本文提出的迭代异方差估计,可在不损失估计精度和减少运算量的前提下,对多个不同的测量噪声方差进行捕获和跟踪.在多传感器数据融合中的应用结果表明:本文提出的方法具有估计稳定性好、运算简单和具有较强的鲁棒性等优点,仿真和实验的结果均证明了提出方法的有效性和可行性.

鞅差误差下异方差部分线性回归模型估计的矩相合性(英文)

本文研究了误差为鞅差序列下的异方差部分线性回归模型.基于非参数估计量,我们导出了最小二乘法和加权最小二乘法的参数估计量,并且在适当条件下得到了它们的矩相合性.同时,通过模拟研究了有限样本下估计量的性能.

关于Gauss-Markov估计在噪声方差矩阵不可逆时的化简

讨论了Gauss-Markov(简记为)估计与最优加权最小二乘估计之间的关系,证明了即使模型噪声方差阵不可逆,在一定条件下GM估计与最优加权最小二乘估计仍可以是统一的.

线性回归模型的抗差泛最小二乘估计

首次用抗差泛最小二乘法考虑线性回归模型 ,得到了抗差泛最小二乘估计 ;然后 ,研究了该估计的影响函数和渐近方差—协方差矩阵 ;最后 ,用算例说明了抗差泛最小二乘估计具有抗差性 。

一般性广义噪声协方差矩阵自适应迭代谱估计

分析了非参数化谱估计方法,分析表明,它们所解决的优化问题都是加权最小二乘(weighted least square,WLS),不同在于如何估计广义噪声协方差矩阵来构建加权矩阵。基于统一框架,提出了一种能同时估计信号频谱和观测噪声的自适应迭代非参数谱估计方法。该方法在每一次迭代时都利用上一次估计结果来逐步逼近真实的广义噪声协方差矩阵。分析和仿真表明,本文方法具有分辨率高,谱泄漏抑制好,并能增强信号协方差矩阵的可逆性和频谱范围选择的随意性等特点。

部分线性变系数模型的加权随机约束主成分估计

文章研究部分线性变系数模型的参数估计问题,当回归模型线性部分自变量存在多重共线性时,在随机约束条件下,利用Profile最小二乘方法、主成分估计和加权混合估计构造了回归模型新的加权随机约束主成分估计,并在均方误差矩阵准则下研究估计量的有效性,最后通过蒙特卡洛数值模拟研究了估计量的有限样本性质。

复参数最小二乘估计方法

提出了基于复数U-D分解的复参数最小二乘估计方法。在传统的加权遗忘因子法的递推算法中,方差矩阵P(k)由于衰减很快而极易失去正定性.为了保证参数估计的收敛性,利用复数U-D分解,将方差矩阵P(k)进行U-D分解,将P(k)矩阵的递推计算已转化为U(k)和D(k)的递推计算问题,保证了数值计算的稳定性.

测量噪声相关线性系统异类传感器航迹融合

研究了异类传感器航迹融合问题。在测量噪声相关的条件下,利用线性无偏最小方差估计的基本理论,通过对异类传感器的状态估计采用顺序滤波的方法,得到了相关测量噪声线性系统异类传感器测量融合算法和状态矢量融合算法。计算机数字仿真结果表明,由于考虑了测量噪声之间的相关性,该算法比噪声不相关融合算法具有更好的跟踪性能,航迹跟踪的精度得到了改善。

多传感器按对角阵加权信息融合Kalman滤波器

在按对角阵加权线性最小方差最优信息融合准则下,提出了多传感器按对角阵加权信息融合稳态Kalman滤波器,它等价于关于状态分量的按标量加权信息融合Kalman滤波器,与按矩阵加权信息融合Kalman滤波器相比,可明显减小计算负担,便于实时直用。一个雷达跟踪的仿真例子说明了其有效性。

基于LMMSE估计的多传感器目标航迹融合

介绍一种基于线性最小均方差 ( LMMSE)估计的多传感器目标航迹融合方法。这种方法适于分布式多传感器目标跟踪系统 ,它具有 LMMSE估计器的许多优点。同时 ,由于它考虑了因公共的目标动态过程噪声引起的估计误差的非独立性的影响 ,因此 ,它比基于独立性假设的方法更精确。