基于马尔可夫链蒙特卡罗的实时可靠性预测方法研究

针对一般的非线性性能退化轨道模型中误差项方差未知的情况,研究基于贝叶斯方法的实时性能退化可靠性预测问题。为了处理未知的误差项方差,引入相应的标准差的无信息先验分布,并进一步结合退化轨道模型中随机参数的先验分布,利用马尔可夫链蒙特卡罗方法得到随机参数及误差项标准差的联合后验分布的采样值,进而实时预测产品在未来一段时间内的可靠度。基于疲劳裂纹增长数据的数值仿真实验表明,该方法可以有效地预测到产品可靠性的下降,从而可以为预测维护提供依据。

基于马尔可夫链-蒙特卡洛法的碳酸盐岩三维数字岩心模型重构

数字岩心技术起源于储层岩石微观孔隙结构建模研究,基于岩石的二维统计特征信息或三维扫描成像,是利用一系列图像处理算法或数学方法实现三维数字岩心的模型重构,并在此基础上进行岩心微观表征及物理特性分析的方法。目前常用的三维数字岩心数学建模方法分为随机法和过程法两大类,其中马尔可夫链蒙特卡洛法(MCMC法)是一种随机方法,其以计算速度快、适用范围广和可体现各向异性等优势被广泛使用。以碳酸盐岩为研究对象,利用MCMC法建立了不同图像尺寸的碳酸盐岩三维数字岩心,并对建模结果进行了分析。结果表明,由于MCMC法中选取用于计算转移概率的邻域模板的长度有限,重构结果受其图像尺寸影响较大;当图像尺寸较小时,重构三维数字岩心模型切面的孔隙度与原始二维图像切面的孔隙度符合度较高,建模结果较为理想;图像尺寸较大时,重构三维数字岩心模型切面的孔隙度与原始二维图像切面的孔隙度差异较大,建模效果不佳。因此,利用MCMC法重构三维数字岩心模型时,应选择合适的图像尺寸,尽可能建立最接近真实岩心的三维数字岩心模型。

MCMC算法在数值模拟中的应用

MCMC算法是一种基于随机采样的统计计算方法,通过构建马尔可夫链,从而实现对复杂系统的抽样和模拟文章基于蒙特卡洛马尔可夫链的相关原理,重点分析蒙特卡洛马尔可夫链在数值模拟中的应用首先,介绍了MCMC算法及相关算法的原理,包括蒙特卡洛方法的原理和三种常用的采样方法—直接采样、接受拒绝采样和重要性采样、马尔可夫链的原理和平稳状态、MCMC算法的原理及两种经典的采样算法—Metropolis Hastings算法和Gibbs采样;其次,着重研究MCMC算法的应用,包括蒙特卡洛方法在拟合参数、求解不规则面积以及接受拒绝采样的应用,马尔可夫链在租车还车问题中的应用以及使用MCMC算法估计回归系数的应用;最后,文章指出MCMC算法的改进方向,促进MCMC算法更广泛的应用。

基于MCMC的电网安全稳定控制系统动态可靠性评估方法

现有安全稳定控制系统(简称稳控系统)的可靠性评估方法本质上属于静态建模,由于未能体现系统内各装置老化和检修等动态过程,在一定程度上影响了评估结果的准确性。为此,文中提出一种基于马尔可夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)的稳控系统动态可靠性评估方法。首先针对失效过程,构建四状态非齐次马尔可夫模型来模拟装置老化过程,并给出各状态评判方法;其次针对修复过程,分析不同检修策略对装置状态转移的影响以体现状态检修的差异性;最后考虑稳控装置状态转移过程的时序或条件相关性,对稳控系统可靠性进行动态建模。以实际稳控系统为例,仿真对比不同检修策略下的可靠性,并对模型参数进行灵敏度分析。评估结果表明,该方法可以求解稳控系统的时变可用度,用于指导稳控装置现场合理检修。

基于GA-MCMC的粒子滤波图像恢复算法

针对粒子滤波的退化和贫化问题,提出一种GA-MCMC粒子滤波图像恢复算法.该算法引入遗传算法(GA)全局寻优和粒子总数多样性的特性,结合马尔可夫链蒙特卡罗方法(MCMC)的收敛性,将交叉、变异和选择操作融入到粒子滤波图像恢复中,提高了粒子滤波的鲁棒性、精确性和灵活性.实验结果表明,该算法能减少贫化和退化问题,且在对具有混合噪声的真实图像恢复效果方面显示了其优越性.

一种基于改进MCMC算法的模型修正方法

标准马尔可夫链蒙特卡罗(MCMC)算法不易收敛、拒绝率高,使其应用受到限制。在贝叶斯方法中引入最大熵值法来估计参数的后验概率密度函数最大值,进而将布谷鸟算法中新鸟巢更新的思想融入Metropolis-Hasting(MH)抽样算法得到改进的MH抽样算法,同时使用支持向量机(SVM)建立待修正参数与有限元模型输出之间的代理模型,以提高模型修正的计算效率。分别使用三自由度线性系统和平面桁架模型来验证本文方法的有效性,结果表明:修正后样本的马尔可夫链混合性能好,停滞概率低,修正后参数相对误差均小于2%。

基于多核的MCMC图像去噪算法并行实现

图像去噪是许多图像处理任务的前提。马尔可夫链蒙特卡洛图像去噪算法是很重要的一种图像去噪方法,但去噪后图像存在明显斑点,在高噪声情况下去噪效果不理想,实际应用中需要进行噪声方差估计,运算速度慢。提出两步去噪方法,用均值滤波对噪声图像进行预处理,估计预处理后图像噪声方差,进行MCMC图像去噪;为充分利用多核处理器的硬件资源,研究了将MCMC算法进行并行编程,提高了程序的运行速度。实验表明两步去噪方法减少了斑点、提高了信噪比;并行实现提高了运算效率。

MCMC方法在多孔介质流体预测中的应用

孔隙度和渗透率作为油气储层的重要参数,对石油产量的预测有至关重要的作用。在多孔介质流体流动过程中,孔隙度和渗透率的概率密度分布函数结构复杂,难以用经典分布予以描述,该文介绍了应用马尔可夫链蒙特卡罗方法(Markov chain Monte Carlo method)对孔隙度和渗透率进行贝叶斯估计,然后在其后验概率分布中采样,得到部分已知流量数据并计算流量的似然分布,最终得到生产曲线并用该方法成功预测了生产曲线的走势。同时在文章的最后,基于现存方法中存在的问题,提出了相关的改进方向。

基于Wiener过程的城市轨道交通车辆轮对可靠性评估

为探究城市轨道交通(简称:城轨)车辆轮对的轮径值退化规律,有效评估轮对可靠性,提出基于Wiener过程的城轨车辆轮对可靠性评估方法。选取轮径值作为性能退化指标,建立基于Wiener过程的城轨车辆轮对退化模型。通过计算轮对剩余寿命,选择精度最高的退化模型进行可靠性评估。针对退化模型参数后验分布计算公式较为复杂的问题,采用马尔可夫链蒙特卡洛(MCMC,Markov Chain Monte Carlo)方法进行求解。基于广州地铁8号线列车轮对实测数据进行实例验证,结果表明,城轨车辆应保证轮对可靠度不低于0.9,且在镟修后运行至27.51万km时,应检查轮对退化情况,以保障车辆的运行安全。

基于贝叶斯分层自回归时空模型的北京PM_(2.5)预测

为解决PM_(2.5)的多站点同步预测问题,提出一种贝叶斯框架下的分层自回归时空模型.将PM_(2.5)日均浓度真实值视为潜在时空过程,利用一阶自回归过程刻画时间相关性,并基于Matérn过程捕获空间相关性,极大程度地提高了降维和同步预测的效率.此外,还将日最高温度、相对湿度和风速等气象因素作为解释变量,用于提升PM_(2.5)的预测效果.借助模型的分层结构,通过贝叶斯方法结合马尔可夫链蒙特卡罗(MCMC)算法实现参数估计和预测过程.对北京市日均PM_(2.5)浓度的实证分析表明,模型在空间和时间维度上均有良好的插值或预测效果.

树木位置空间模式建模与预测(英文)

传统的林分生长与收获模型不能为林分和生态系统管理提供准确的空间信息。采用3种配对势函数的Gibbs点过程模型对美国东北部50块云冷杉样地里树木的空间分布模式进行模拟。该Gibbs模型能够较好地模拟这50块样地中的82%～84%,但其对完全随机分布和规则分布的样地模拟比对聚集分布的样地模拟效果要好。使用常用的林分变量如林分密度、公顷断面积、林分平均胸径、平均树高、平均冠幅和冠长建立经验回归模型对Gibbs模型的2个参数进行预测。结果表明这些回归模型对81%的样地可以得到满意的模拟效果,其中,100%的完全随机分布样地、71%的规则分布样地和56%的聚集分布样地模拟效果较好。选择3块样地对树木的模拟空间位置和实际观测位置的相似性进行对比和说明。

基于随机波动性模型的中国股市波动性估计

采用动态随机波动性模型实证研究了中国股票市场的波动性.通过基于马尔可夫链蒙特卡罗(MCMC)模拟的贝叶斯分析方法,较好地估计了随机波动性模型中的参数与波动性序列.基于中国股市数据进行的实证结果表明,与ARCH类模型相比,随机波动性模型能更好地描述股票市场回报的异方差和波动性的序列相关性.

贝叶斯神经网络建模预测方法及其应用

针对神经网络建模时,其模型的复杂性难以控制而且缺乏分析结果的工具,以及贝叶斯方法可以通过定义一些超参数的模糊先验来控制模型参数复杂性,并且可对任何感兴趣的变量产生后验预测分布,使得置信区间的计算成为可能。研究了贝叶斯神经网络的建模预测问题,通过融入模型参数的先验知识,在给定数据样本及模型假设下进行后验概率的贝叶斯推理,使用马尔可夫链蒙特卡罗算法来优化模型控制参参数,实现了对神经网络模型中不同部分复杂度的控制,获得了模型参数的后验分布及预测分布。通过动调陀螺仪漂移数据建模应用分析结果证明此方法可以达到较好的建模预测效果。

一种新的贝叶斯调制分类算法

提出了一种基于马尔可夫链蒙特卡罗(MCMC)的数字调制分类方法。针对存在未知残留载波相位和频率时贝叶斯分类难以实现的问题,采用Metropolis-Hastings(M-H)算法估计边缘似然概率密度,从而在分类性能上保持了贝叶斯分类的理论最优性和稳健性。利用对比实验验证了方法的性能。

实体数据库中多相似连接顺序选择策略

按照元组描述的实体对其进行组织和查询处理是一种管理劣质数据的有效方法。考虑到同一个实体的同一属性存在多个描述值,因此基于实体的数据库上的连接是支持多个值的相似性连接。由于多表连接操作的连接顺序对连接性能有着重要的影响,研究了实体数据库上多表连接顺序选择方法,采用基于实体的马尔可夫链蒙特卡洛(Markov chain Monte Carol,MCMC)方法估计出实体数据库的相似性连接操作的结果大小,并以连接结果大小和有无索引作为主要代价,提出了基于实体的多连接顺序优化策略。进一步,通过实验证明了估计连接结果大小的算法在大规模数据上有着显著的优势。

贝叶斯复合分位回归的Gibbs抽样算法（英文）

大多数基于传统均值回归的建模方法都对非正态误差表现出不稳健的估计结果.和传统均值回归相比,复合分位回归(CQR)可以产生稳健的估计.基于一个复合反对称Laplace分布(CALD),我们建立了加权复合分位回归(WCQR)的贝叶斯分层模型.Gibbs抽样算法被发展用于WCQR的后验推断.最后,我们提供了一些模拟研究和一个实际数据分析来验证所提方法.

基于ARIMA模型的湘江流域DO和NH_4^+-N含量贝叶斯预测

为实时把控湘江流域水质的变化趋势,采用污染比较严重的湘江流域长沙段和益阳段水质指标溶解氧(DO)和氨氮(NH_4^+-N)含量的监测数据,用贝叶斯方法推断经典的ARIMA时间序列模型,并用马尔可夫链蒙特卡罗(MCMC)模拟方法对DO和NH_4^+-N含量进行贝叶斯预测。结果表明,该模型的贝叶斯预测能实现对湘江流域长沙段和益阳段水质指标DO和NH_4^+-N含量的精确点预测、区间预测和概率预测。

一种基于吉布斯抽样的MUSIC频率-方位联合估计算法

将马尔可夫蒙特卡罗方法与MUSIC方法估计相结合,提出一种基于吉布斯抽样的频率-方位联合估计新方法(MUSIC FREQ-DOA joint Estimator Based on Gibbs Sampling,简称Gibbs-MUSIC)。并用该方法联合估计多个目标的频率和方位。这种方法将MUSIC方法的谱函数作为频率和方位的联合概率密度函数,并采用马尔可夫蒙特卡罗(MCMC)吉布斯抽样方法对该联合概率密度函数进行采样。仿真实验显示在目标个数较少时,该方法不仅保持了常规MUSIC方法的高分辨能力,而且降低了计算量,减少了存储量。

GARCH模型和SV模型的应用比较研究——以上证指数的波动性为例

文章以上证综指2007年2月27日至2008年5月14日共293个交易日的收盘价数据为研究对象,通过构造样本外波动性预测能力指标,分析比较了GARCH类模型和SV类模型在国内市场上的适用性。文章首先估计GARCH类模型和SV类模型的参数,其中SV模型参数的估计采用最新的马尔可夫链蒙特卡罗方法(MCMC方法),并由WINBUGS软件加以实现。然后通过构造样本外预测能力指标对GARCH类模型和SV类模型的样本外预测效果进行比较,得出在国内市场SV类模型的拟合和预测效果要好于GARCH类模型。

基于贝叶斯一稀疏约束正则化方法的地震波形反演

将稀疏约束正则化方法应用于地震波形反演问题.为了减弱对稀疏约束项的光滑性要求,引入贝叶斯推断,产生一组收敛于后验分布的采样点.通过数值算例记录了采样点的条件期望、方差、置信区间等具有统计意义的结果.数值结果表明,在没有光滑性的要求下,稀疏约束正则化方法对孔洞模型和分层模型中的介质边缘有良好的识别能力.特别地,当减少观测数据时,稀疏约束正则化方法仍能获得较好的反演结果.