基于逆高斯随机过程的混凝土梁桥抗力退化模型

为准确体现混凝土梁桥抗力退化的时变性与随机性,运用逆高斯(IG)随机过程建立了结构抗力退化模型.基于现场检测数据,采用贝叶斯更新理论对IG随机过程进行实时更新.针对IG随机过程中的参数因先验分布与后验分布非共轭而难以采样估计的问题,提出了混合Gibbs采样法.结合数值案例论证了该方法的可行性,并将其应用于某一混凝土梁桥的抗力预测分析.研究结果表明:IG随机过程可利用现场检测信息对桥梁抗力退化过程实时更新;混合Gibbs采样法可解决IG随机过程的高维参数估计问题,克服了形函数中指数q值的经验性给定缺陷;随着服役年限的增大,桥梁结构的累积退化量逐步增大,当桥梁服役年限为60 a时,其累积退化量为服役年限为30 a时的3.48倍.与Gamma随机过程相比,IG随机过程避免了部分初始参数的假定,可得到更为精确的桥梁抗力退化模型.

指定功率谱密度、偏斜度和峭度值下的非高斯随机过程数字模拟

无记忆非线性变换是传统非高斯随机过程模拟中经常使用的方法,然而,用于模拟同时具有指定功率谱密度、偏斜度和峭度值的非高斯随机过程时迭代过程复杂耗时,且精度也难以保证。通过理论推导,分析并得到了一种新的基于IFFT和时域随机化的非高斯随机过程模拟算法,能够方便快捷地模拟具有指定功率谱密度、偏斜度和峭度值的平稳非高斯信号。在此基础上进行了数值仿真实验,数值仿真结果与理论分析结果相一致,显示了该方法的有效性。

具有时变功率谱的非高斯随机过程的数值模拟

为了有效地模拟具有目标时变功率谱特征的非高斯随机过程,即非平稳非高斯随机过程。提出了基于目标时变功率谱和目标非高斯概率密度函数,通过建立非高斯与高斯随机过程之间相互转换的非线性平移关系,以及非线性平移前后高斯与非高斯随机过程的功率谱或相关函数的转换关系,将非平稳非高斯随机过程转化为非平稳高斯随机过程的模拟;而非平稳高斯随机过程可通过谱表示进行有效的模拟。为了验证该方法的有效性,进行了具有目标非平稳非高斯特征的脉动风速模拟;模拟结果表明:模拟生成的脉动风速样本的功率谱具有时变特征,且瞬时功率谱和相关函数均与目标相吻合;任意时刻脉动风速样本的概率密度函数与目标非高斯函数相互吻合;因此,模拟的随机样本不仅具有目标时变功率的非平稳特征而且还具有目标概率密度函数的非高斯特征,说明了该非平稳非高斯随机过程模拟方法的有效性。

立方功率谱相关高斯随机过程模拟

在雷达回波信号模拟中,杂波随机过程功率谱数学模型的建立是影响最终模拟效果的关键。立方功率谱是目前国际上普遍采用的地杂波功率谱模型。通过建立随机过程的AR模型,利用Levis on-Durbin算法和MDL定阶准则,提出了一种基于现代信号理论的立方功率谱特性相关高斯随机过程模拟方法,与现有谱估计方法做了比较,并给出了模拟结果。获得的随机序列能够满足立方谱杂波雷达模拟的要求。

基于改进T-B法的宽带高斯过程疲劳损伤分析

针对宽带高斯随机应力过程造成的疲劳损伤问题,本文提出一种基于改进Tovo-Benasciutti(T-B)法的疲劳损伤频域分析方法。通过不同参数形式的功率谱进行时域的疲劳损伤分析,针对T-B法中的关键参数bTB提出一个新的非线性函数模型。与原T-B法相比,新提出的函数模型bMTB可以考虑S-N曲线斜率参数m的影响,并以此为基础提出基于改进T-B法的疲劳损伤分析方法。以时域的雨流计数法结果作为基准,分别采用参数化功率谱和真实响应谱进行数值试验,并与现有的多种宽带高斯疲劳损伤分析方法进行对比,验证本文所提出的改进T-B法的准确性和适用性。

一种新的高斯双模态随机疲劳损伤分析方法

为能够准确地对高斯双模态随机过程的疲劳损伤进行评估,提出了一种名为改进频带法的疲劳损伤频域计算方法。该方法从功率谱分割的角度出发,首先分别将低频模态和高频模态的功率谱密度函数分割成很多份极窄的频带,利用损伤等效原则进行等效转换,得到相应的等效窄带过程。然后,将高频等效窄带过程向低频等效窄带过程再次进行等效转换。在此过程中,为考虑低频模态与高频模态之间的相互作用,引入与一个高、低频模态频率比、能量比以及S-N曲线材料参数m有关的修正因子对总零阶谱矩进行修正。最后,利用窄带过程疲劳损伤解析解即可计算高斯双模态过程的总疲劳损伤。以时域雨流计数法计算的疲劳损伤结果作为基准,分别采用理想矩形双模态谱和真实双模态谱进行数值试验,将该方法与多种现有频域疲劳损伤分析方法进行了对比。研究结果表明,提出的改进频带法与传统频域方法相比,具有计算精度更高并且易于编程的优点,该方法在实际工程应用中将具有很大的潜力。

高斯/非高斯混合随机风压场的模拟方法

针对作用于屋盖结构随机风压场样本的统计特性要求,基于零记忆非线性转化法的理论,给出随机风压场的具体模拟过程。其中,解决了两个关键问题:①推导了服从对数正态分布和韦布尔分布的多点非高斯随机过程向量的标准化协方差,与相应高斯随机过程向量的标准化协方差的函数转化关系;②提出了分解谱密度函数修正法,解决利用谐波合成法模拟多点高斯随机过程向量时,功率谱密度函数矩阵在某些频率点出现负定的问题。经过具体算例表明,所提出的方法能生成合乎风洞实验数据统计特性要求的随机风压场样本。

统计光学中典型随机过程

因为许多物理现象都是由大量的独立的各种随机变量组成的,因此与用高斯随机变量代表大多数物理应用中的随机变量一样,高斯随机过程也是最重要的随机过程。在光学问题中最重要的随机过程乃是泊松过程。 一、高斯随机过程 1.定义 如果随机过程U(t)对于任意正整数n和集合(t_1,t_2,…,t_n),在n个时刻t_1,t_2,…,t_n的状态构成的n个随机变量U(t_1),U(t_2),…,U(t_n)是联合高斯随机变量。

非高斯随机系统的故障诊断与容错控制

研究讨论了基于两步模糊建模的一类具有未知故障的非高斯随机分布系统的故障诊断与容错控制问题。采用T-S权值模型描述模糊权值动态与控制输入之间的非线性关系,用模糊逻辑逼近非高斯过程的输出概率密度函数(PDFs)。利用典型的投影算法,设计了自适应模糊滤波器,成功地估计了系统的故障规模。同时,也可以保证故障出现时的误差系统稳定性。此外,还可以利用凸优化算法构造反馈控制输入,所设计的优化算法可以获得满意的控制性能和稳定性。

基于高斯过程机器学习的工程不确定性分析研究

工程中不确定性对结构的设计和安全分析产生不可忽略的影响,不确定性的分析与处理逐渐成为科学和工程中所关心的重要问题。针对复杂动力学结构响应的特点,研究基于高斯过程机器学习的不确定性传播方法。首先对不确定性的来源和分类进行简单介绍,重点研究高斯过程机器学习的基本原理,最后通过算例研究说明两个数学测试函数和一个工程结构展示高斯随机过程的建模优势。

基于AR和ARMA模型的多变量非高斯风压模拟

基于多变量非高斯随机过程间的相关性,将发展的单变量非高斯过程自回归和自回归滑动平均(AR和ARMA)模型模拟算法扩展至多变量非高斯过程的数值模拟。通过AR和ARMA模型系数考虑多变量非高斯过程间的相关性,建立多变量非高斯过程AR和ARMA模型的模拟算法。多变量非高斯风压的数值模拟表明:AR和ARMA模型算法能有效地模拟低斜度、中斜度和高斜度的多变量非高斯随机过程。

多变量非高斯脉动风压模拟的非迭代法

基于多变量非高斯随机过程间的相关性,将发展的单变量非高斯过程的非迭代算法扩展至多变量非高斯过程的模拟.通过多变量高斯过程的相干函数来考虑多变量非高斯过程的互相关性,建立多变量非高斯过程的非迭代模拟算法.多变量非高斯风压的数值模拟表明:非迭代模拟算法能有效地模拟低、中、高斜度的多变量非高斯过程.

相关瑞利信道仿真方法的研究

在无线通信系统的仿真中,相关瑞利衰落信道扮演着重要的作用。一种基于对一系列统计独立的标准高斯随机过程进行线性变换,得到具有一定相关特性的瑞利衰落信道的仿真模型被提出。仿真结果及复杂度分析表明,由于本文提出的仿真模型采用了迭代算法,因此相对于传统的相关瑞利信道仿真模型,该模型具有准确,复杂度低,易实现等优点。

无线信道模型研究与展望(二)

高斯随机过程在任意时刻t均可以独立表示为Tc（t）和Ts（t）。Tc和Ts是非相关0均值的高斯随机变量,有相等的方差为[15]T2c=T2s=Ez2=E02/2（25）式中,上划线表示整体平均。

直纹面侧铣加工精度可靠性分析

针对直纹面侧铣加工中存在动态不确定性因素导致其精度可靠度计算效率低、可靠度预测困难等问题,提出了基于加工切触点高斯过程(GP)模型的精度可靠性分析方法。考虑机床驱动误差与刀具参数不确定性,将切触点坐标变换值应用高斯随机过程表征,并基于LU400型BC轴机床拓扑结构建立精度可靠度模型;通过K-L变换分解切触点随机过程,求解获得精度可靠度GP代理模型;以模型精度指标迭代更新计算模型,并基于代理模型采用蒙特卡洛法获得可靠度值。结果表明,所提方法具有较高的求解效率和精度,为直纹面侧铣加工精度可靠度预测提供了有效的方法。

卫星移动信道中Suzuki-Corazza混合模型仿真研究

陆地移动卫星通信系统的复杂度越来越高,需要对信道模型进行建模以有效缩短通信系统的开发周期。色高斯随机过程是信道建模的基础,其产生方法是采用有限个加权正弦信号的叠加来近似。通过对衰落信道中的Suzuki模型和Corazza模型的研究,在这两种模型的基础上提出了一种新的Suzuki-Corazza全阴影混合模型。在这种模型中,Rayleigh过程和考虑视距分量的Rice过程分别被两个不相关的Lognormal随机过程影响,这种模型的自由度数增加,实际上增加了复杂性,但改善了模型的适应性。给出模型的仿真实现框图、一阶统计特性和计算机仿真。仿真结果表明,仿真结果与计算分析结果吻合得非常好。

基于贝叶斯权函数的模型无关元学习算法

模型无关的元学习(MAML)是一种多任务的元学习算法,能使用不同的模型,并快速地在不同任务之间进行适应,但MAML在训练速度与准确率上还亟待提高。从高斯随机过程的角度出发对MAML的原理进行分析,提出一种基于贝叶斯权函数的模型无关元学习(BW-MAML)算法,该权函数利用贝叶斯分析设计并用于损失的加权。训练过程中,BW-MAML将每次抽样的任务视为遵循高斯分布,根据贝叶斯分析计算不同任务在分布中的概率,并根据任务在分布中的概率判断该任务重要程度,再以此赋以不同的权重,从而提高每次梯度下降中信息的利用率。在Omniglot与Mini-ImageNet数据集上的小样本图像学习实验结果表明,通过增加贝叶斯权函数,BW-MAML的训练效果在6任务训练2500步后,在Mini-ImageNet上的准确率比MAML的准确率最高提高了1.9个百分点,并且最终准确率比MAML平均提升了0.907个百分点;在Omniglot上的准确率也平均提升了0.199个百分点。

卡尔曼滤波在分布式拉曼光纤温度传感系统去噪中的应用

提出一种基于卡尔曼滤波的统计学方法,对光纤温度传感系统的状态进行实时估计并去除系统的噪声,提高光纤传感系统的准确度。光纤温度传感系统属于线性动态系统,被测温度是服从高斯-马尔科夫随机过程的离散时间状态变量,状态噪声是加性高斯白噪声。基于贝叶斯最大后验概率推论(MAP)和最小均方误差(MMSE)准则,新的测量值通过量测更新方程修正后验状态估计值。这种迭代的算法最终可以得到状态的最优估计值。该模型和算法应用在分布式拉曼光纤温度传感系统(DOFS)FGC-LR中,对其性能进行研究。用局部方差和信噪比评估该算法去噪的能力。常温点处温度的局部方差减小了83.56%,高温点处减小了84.09%。两探测点处的温度信噪比分别提高了18.45%和16.80%。算法在提高光纤传感系统的准确度,实现实时测量上取得了很好的效果。

基于卡尔曼滤波的红外图像增强算法

针对红外图像中的非均匀性噪声的去除问题,提出基于卡尔曼滤波的红外图像去噪及增强算法.在Bayes-ian-MAP框架下分析卡尔曼滤波器对去噪问题的适用性.由于成像电路内部温度上升和参数的细微变化,每个像元的固定模式噪声(FPN)在帧间缓慢变化.基于此点,建立暗帧的噪声模型.将卡尔曼滤波器作用于红外暗帧序列,估计出暗帧中每个像元的FPN水平.引入噪声影响因子(NIF)来评估FPN噪声对像元输出信号的影响.根据NIF自适应地选取每个像元的FPN噪声权重.实际带噪图像减去加权FPN噪声,即得到增强图像.将该算法应用于实拍红外图像,用平均灰度梯度(GMG)评估算法的性能.在目标区域,GMG下降了5.1%,说明算法在去噪的同时很好地保留了目标的边缘.而在平滑区域,GMG下降了85.5%.结果表明,该算法在去除非均匀性噪声,提高图像的对比度方面,取得较好的效果.

移动卫星通信信道的系统仿真

本文对移动卫星通信的三种典型信道模型进行了完整的系统仿真，得出ＱＰＳＫ调制信号经过不同信道后的误比特率曲线，包括上／下行链路两次衰落的情况。经分析比较发现，信道的性能主要取决于信道参数，各种因素的影响可以归结到对这些参数的影响，而在非静止轨道移动卫星通信中，仰角是影响系统误码性能的重要因素。