Errors-in-variables模型的参数估计

介绍了Errors_in_variables模型 ,利用Fisher得分算法 ,给出了在自变量的随机影响因素和因变量的随机影响因素相互独立和无重复测量数据情况下Errors_in_variables模型参数估计的迭代公式 .

非线性再生散度模型两种估计方法的比较

介绍以RDM为随机误差的广义线性模型-非线性再生散度模型的定义,分别考虑非线性再生散度模型的极大似然估计和Bayes估计,以模拟研究和实例分析对以上估计方法加以比较说明.

基于EM算法的改进MLM模型及参数估计

传统的分层模型假设组与组之间独立,没有考虑组之间的相关性。而以地理单元分组的数据往往具有空间依赖性,个体不仅受本地区的影响,也可能受相邻地区的影响。此时,传统分层模型层-2残差分布的假设不再成立。为了处理空间分层数据,将空间统计和空间计量经济模型的思想引入到分层模型中,既纳入分层的思想,又顾及空间相关性,提出了空间分层线性模型,并给出了其固定效应、方差协方差成分和空间回归参数的最大似然估计,在运用EM算法时,结合运用了Fisher得分算法。

基于多尺度模糊熵的脑电信号特征提取方法

目的利用多尺度模糊熵特征提高脑电信号的识别率。方法采用滑动均值滤波使粗粒化后脑电信号各尺度上的序列尽量保留原始信息,然后用多尺度模糊熵进行特征提取,通过Fisher得分对不同尺度模糊熵的特征分类能力排序,选定排序靠前的多尺度模糊熵组成最优特征向量,实现特征降维。结果在BCI Competition实验数据上进行验证,结果表明该方法用支持向量机做分类器,准确率平均达88.94%。结论本文提出的多尺度模糊熵对脑电信号的特征提取方法具有针对性,既提升了识别率又保持了算法效率。

多域特征提取和极限学习机的滚动轴承智能诊断

针对现实复杂工况下的振动以及噪声问题,提出了基于多域特征提取、Fisher得分和极限学习机(Extreme Learn⁃ing Machine,ELM)的滚动轴承诊断方法。首先,通过多域特征提取方法构造多域特征集,其次利用Fisher得分算法按照多域特征集特征值的重要性进行排序,选择具有代表性的敏感故障特征,最后,将重新构造的多域特征集输入极限学习机中实现智能诊断。利用美国西储大学轴承试验数据进行分析,为贴近现实工况,在原始振动信号上加50dB的白噪声,结果表明,提出的方法能够有效识别滚动轴承的故障大小和类别,并具有良好的抗噪性。

一种直出10 kV与母子变方案的差异评价方法

针对城市10 kV配电网建设中的直出10 kV与母子变方案,提出了一种差异评价方法。该方法首先通过基于fisher得分的差异分析方法,对初始指标集进行筛选,完成指标寻优,构建能客观反映出直出方案与母子变方案差异的精简指标体系,降低数据处理复杂度;之后,利用考虑差异化的组合评价方法,实现对直出方案与母子变方案的综合分析,避免了单一评价方法的片面性,使得评价结果更具说服力;最后以某地区城市配电网中的10 kV配电网建设为例,验证了评价方法的科学性与有效性。

一个新的集成式特征选择方法及其在定向合成上的研究与应用

提出了一种新的集成式特征选择方法用于分析磷酸铝合成反应数据库中合成因子同定向合成产物的关系。提出的特征选择模型选出对定向合成(12,6)元环结构具有影响力的合成参数。大量的实验结果展示出本文提出模型利用较少的合成因子就能具有较高的预测准确率。本文为今后的定向合成实验设计提供一种指导性建议。

基于Fisher主元分析和核极限学习机的非侵入式电力负荷辨识模型

非侵入式电力负荷监测与辨识是实现泛在电力物联网客户侧智能感知的关键技术。针对现有辨识模型存在的特征冗余度高、辨识准确率差、计算效率低等问题,提出了一种基于Fisher主元分析(Fisher principal component analysis,FPCA)和核极限学习机(kernel extreme learning machine,KELM)的非侵入式电力负荷辨识模型。首先,选取电流、功率、谐波含有率等稳态特征作为原始输入变量,运用Fisher得分和主成分分析相融合的Fisher主元分析法剔除可分性较差的无效特征,同时降低有效特征之间的相关性;然后,引入径向基核函数搭建网络结构,并采用遗传算法(genetic algorithm,GA)对惩罚系数等模型参数进行寻优,从而建立核极限学习机分类模型进行负荷识别;最后,通过公开的TIPDM负荷数据集进行算例分析。仿真结果表明,所提模型相比于传统负荷辨识模型具有更好的辨识准确率和计算效率,运用该模型可对常见家用负荷进行有效识别。

基于图谱指标的滚动轴承故障特征提取方法

为了更准确地提取滚动轴承振动信号的非线性故障特征,将图信号处理(GSP)引入机械故障诊断领域,提出了基于图谱指标的滚动轴承故障特征提取方法。该方法将滚动轴承的振动信号转化为路图信号后,提取多个图谱指标;用Fisher得分(FS)算法对图谱指标的敏感度进行排序,并选取若干个最敏感的图谱指标作为滚动轴承的故障特征参数;用K-均值聚类算法识别滚动轴承的不同故障。应用实例表明:当分别选取1~5个最优的图谱指标、时域指标和频域指标对不同轴承故障进行识别时,图谱指标均没有出现错误,而时域指标和频域指标都出现了不同数量的错误,因此,图谱指标对轴承故障的区分能力优于时域指标和频域指标。