基于力学机理的贝叶斯动态线性岩质边坡变形预测模型研究

考虑岩质边坡变形的力学机理,将边坡变形分解为弹塑性损伤变形、粘弹性变形、周期波动及观测误差等分量,以Bayesian动态线性模型理论为基础,建立了基于力学机理的边坡变形动态演化预测模型。模型以边坡岩体力学参数为系统控制变量,应用Bayesian推断,通过观测数据及相关信息,估计其动态演化规律,并以此预测边坡变形。通过对某水电站边坡位移监测数据分析表明:监测点处边坡变形主要为弹塑性损伤蠕变,监测初期,岩体迅速损伤,变形15天后进入加速蠕变阶段,与现场巡查结果一致。

化零为整的宏观社会数据生成:基于潜变量模型和动态贝叶斯方法

对因果机制和对宏观检验的探寻催生了定量社会学研究对区群层面数据的需求,然而这类高质量的追踪数据资源相对稀缺。传统研究通常通过综合多个来源的个体社会调查数据来构建面板数据集以改善宏观数据匮乏现状,但其亦受制于社会调查在时间和空间分布上的稀疏性以及不同调查间的差异性。本文引介了一种可用于生成区群层面跨时空面板数据的动态贝叶斯潜变量建模框架,并通过应用实例展示了该方法的具体应用过程,比较了动态贝叶斯方法相较于几种常用的缺失值插补方法的优势。本文的示例结果表明,动态贝叶斯潜变量模型在跨时空、多维度的信息整合和参数不确定性探索方面具有重要的优势,可以实现对调查数据缺失年份或地区的估计和插补,大大缓解了社会学研究中面板数据不足的问题。

多元贝叶斯动态线性模型及其应用

本文介绍了多元贝叶斯动态线性模型（ＭＢＤＬＭ），并以我国猪肉产量情况为例，建立了一个带有卡尔曼滤波器的双变量贝叶斯动态模型，运用专家经验对模型进行主观干预和修正。

贝叶斯动态线性模型的组合预测

组合预测就是将随机变量或向量的点预测进行组合 ,这些预测是根据几个模型所给出的。一般的方法是求这些点预测的算术平均值。本文给出的是根据模型的预测精度确定权的贝叶斯动态线性模型的组合预测 。

贝叶斯动态线性模型的一种实用处理方法

推广了Le Cam的一个定理，并将其应用到一般的贝叶斯动态线性模型和矩阵动态线性模型。作为结果，得到了它们的实用递推模型。在该模型中，给出了一种简洁的预测方法。

非线性贝叶斯动态模型及其随机模拟算法

一、引言非线性贝叶斯动态模型定义为 观测方程：zk=hk（xk，nk） 状态方程：xk=fk（xk-1，vk-1） 初始先验：（x0｜D0） 其中，观测方程描述观测值（或向量）如何随参数变化，状态方程描述参数如何随时间变化。

非线性贝叶斯动态模型的一种处理方法

对一类非线性贝叶斯动态模型进行了处理。用筛选算法进行抽样,利用得到的样本进行各种推断和预测。

多变量非线性贝叶斯动态模型的参数估计

本文讨论多变量非线性贝叶斯动态模型参数估计 ,将 Monte Carlo最优法用于极大似然函数 。

利用广义指数加权回归估计贝叶斯动态线性模型误差方差矩阵W_t的方法(英文)

本文主要研究广义指数加权回归在贝叶斯线性动态线性模型参数估计中的作用 。

一类非线性动态模型的贝叶斯随机模拟

对一类非线性动态模型进行了随机模拟 ,利用Metropolis算法完成了样本的修正递推 ,并对模型进行各种预测和推断 ;

NTM方法在非线性贝叶斯动态模型中的应用

将NTM方法应用于非线性贝叶斯动态模型,给出了它的递推公式以及随机变量的数字特征的计算,与蒙特卡洛方法相比提高了效率和精度.

基于贝叶斯动态线性模型误差补偿的短期风功率预测

为了提高短期风功率预测精度,提出了一种基于贝叶斯动态线性模型误差补偿的方法去实现预测精度的提升。首先采用较为常用的RBF神经网络作为初始预测模型,然后统计分析预测误差找出其分布特性,再根据其误差分布特性建立贝叶斯动态线性模型继而对误差数据进行预测,最后由贝叶斯动态线性模型预测结果对原神经网络输出进行补偿从而达到预测精度提高的目的。实验结果表明该方法能较好地提高风功率预测精度,具有较好的普适性。

基于贝叶斯动态模型的某器件性能预测

在导弹武器系统当中,及时准确的故障预报对提高导弹的安全性具有极其重要的意义。本文根据导弹惯性器件故障预报系统的设计要求,利用贝叶斯动态线性模型对导弹某惯性器件的性能进行了预测研究。贝叶斯预测是利用历史信息和从样本获得的信息来获取后验分布的一种预测方法,该方法不需要平稳性的假设,而且充分利用了已有的信息,可以用来对电子设备的性能进行预测。实例研究表明,该方法具有比较好的预测效果。

基于分布式入侵检测系统的贝叶斯动态模型的研究

将贝叶斯(Bayes)方法用于一种动态线性模型,即贝叶斯动态模型,再将此模型应用于网络安全的代理分布式的入侵检测系统,预测用户行为,这样的系统就能确定用户是在进行不可预测行为,还是已经改变了他的正常工作方式,从而对组织内部的攻击起防范作用。

桥梁极值应力的贝叶斯动态耦合线性预测

基于含有趋势性和随机性的监测极值应力时间序列数据,进行了桥梁极值应力的贝叶斯动态耦合线性预测。将历史监测耦合极值应力数据解耦,建立解耦极值应力的动态耦合线性模型(DCLM),并将其分解为有限个动态线性模型(DLMs)。基于动态监测的解耦极值应力数据,结合贝叶斯方法,进行动态耦合线性模型的概率递推,进而实现桥梁解耦极值应力的动态预测,并将预测的解耦极值应力进行相加,即可实现桥梁极值应力的动态预测。最后,通过在役桥梁的含有随机性和趋势性的监测极值应力数据,利用ARIMA(auto-regressive integrated moving average)模型,验证了所提方法的合理性与有效性。

基于贝叶斯傅里叶动态模型的桥梁极值应力预测

研究了基于健康监测应力数据的桥梁极值应力动态预测.考虑到监测应力的周期性、随机性和动态性等特点,首先初次建立了桥梁监测极值应力的傅里叶动态非线性模型(Fourier Dynamic Nonlinear Model,FDNM),结合Taylor级数展开技术,将FDNM近似转化为傅里叶动态线性模型(Fourier Dynamic Linear Model,FDLM);然后采用贝叶斯方法,基于动态监测极值应力数据,建立了无先验信息的贝叶斯傅里叶动态线性模型(Bayesian Fourier Dynamic Linear Model: BFDLM),进而对监测极值应力的一步向前预测分布参数和后验应力状态分布参数进行了预测分析;最后通过实际桥梁监测极值应力数据对本文所建模型和方法的合理性及适用性进行了验证分析,结果表明本文所建BFDLM能够反映桥梁极值应力的周期性、随机性以及动态性等特点.研究成果将为桥梁监测极值应力预测提供理论基础和应用方法.

非线性动态模型的监控

首先给出了非线性动态模型近似的一步预测密度，然后通过构造合适的备择模型和利用贝叶斯因子法，讨论了非线性动态模型的监控问题。

桥梁耦合极值应力的贝叶斯动态预测

为了更合理地动态预测桥梁耦合极值应力,将历史监测极值应力数据视为多阶模态响应耦合的多分量信号,并结合Hilbert信号分解以及Hilbert平方解调技术(Hilbert Square Demodulation,HSD)在多分量信号解调方面的优势,提出了预测桥梁极值应力的贝叶斯Hilbert动态线性模型(Bayesian Hilbert Dynamic Linear Model,BHDLM)。利用Hilbert信号分解技术实现对监测极值应力的解耦,并基于HSD建立了各阶应力响应的Hilbert动态线性模型(Hilbert Dynamic Linear Model,HDLM);结合贝叶斯方法以及单分量极值应力对HDLM进行概率递推,实现了对单分量桥梁极值应力的动态预测,进而可得桥梁耦合极值应力的动态预测;利用在役桥梁的监测数据对本文所提模型的有效性进行了验证。结果表明:利用解耦得到的单分量极值应力数据建立的HDLM过程简单,并能很好地反映出监测数据的周期性、随机性等特点。结合贝叶斯方法,可以有效地对桥梁极值应力进行动态预测。

桥梁监测数据的动态线性建模与可靠性预测

引入贝叶斯动态线性模型(BDLM),建立桥梁监测应力的状态方程和观测方程,并利用贝叶斯因子监控监测应力.通过监测应力和应力状态的先验信息,对监测应力的状态参数进行贝叶斯后验概率推断,并不断进行"概率预测-修正"递推运算,获得最优监测应力的状态概率估计来预测桥梁的应力.基于贝叶斯动态修正的应力概率模型,建立桥梁结构可靠性的预测公式.最后,通过实例验证了本文所建模型的合理性和适用性.

动态测量误差的贝叶斯建模预报

针对动态测量过程的复杂性提出了动态测量误差序列的贝叶斯建模预报方法。该方法要求的数据量较少,且对序列无平稳性限制,并能充分利用预报过程中的主客观信息来修正模型,以提高预测精度。最后,通过仿真实例探讨了贝叶斯方法在动态测量误差建模预报中的适用性。