基于EMD距离和Grubbs准则的煤矿电网选线

针对煤矿电网发生单相接地故障时难以正确选线的问题,提出一种基于EMD距离(Earth Mover′s Distance)和Grubbs准则的煤矿电网选线。故障发生后两两计算各馈线零序电流波形间的EMD距离,从而得到综合EMD距离矩阵。基于Grubbs准则筛选出综合EMD距离矩阵中的异常值,其对应线路即为故障线路。仿真分析证明,所提算法准确性不受故障线路、故障位置、故障合闸角及接地电阻等因素的影响,具有较高的准确性和较强的适用性。

基于Grubbs准则的小波阈值改进研究

在大坝变形监测中,需利用阈值法对数据信号进行小波去噪,而传统阈值法存在很多缺点。在小波去噪理论的基础上,结合Grubbs准则,提出了一种改进阈值门限的去噪方法,并用MATLAB编程实现了模拟信号以及大坝变形监测数据的去噪处理。实践表明,经小波改进阈值算法去噪后的数据均方根误差相对于改进前有所减低,信噪比也明显提高,改进效果明显。

基于Grubbs准则和直线线性度拟合的线纹提取算法

针对目前基于图像处理的钢卷尺自动检定方法中存在线纹边缘定位不准确、直线拟合算法精度较差等问题,提出一种基于Grubbs准则和直线线性度拟合的线纹提取算法。该算法能去除因边缘定位不准确而引入粗大误差的奇异点,同时还能拟合出线性度较高的直线。首先,分析线纹区域灰度值特征分布特点,定位线纹中心特征点;然后基于该线纹提取算法拟合中心线纹;最后结合定斜率直线拟合方法实现线纹提取。实验表明,该算法在保留目前自动检定方法优点的基础上,将单根刻线检定的示值误差值降低至0.002 mm内,显著提高检定精度。

基于Grubbs准则的冲击波超压异常值处理方法

针对弹药威力评定冲击波超压测试中出现异常值问题,采用了基于Grubbs准则测试异常值处理方法,并将数据处理结果与3σ法则处理结果进行了比较,Grubbs准则更适用于样本数量少的情况,更能有效判定异常值并予以剔除。

基于Grubbs通信系统试验数据处理

通信系统试验数据的异常值不能随意舍弃,只能舍弃确定性因素导致的异常数据,本文基于Grubbs准则判断异常数据与剔除方法。同时,采用Grubbs准则对通信系统的试验数据进行了数据处理,并结合Matlab给出了应用示例。

基于Grubbs法的内部控制绩效审计

本文尝试运用格拉布斯(Grubbs)准则来设计绩效审计的指标权重,并以人民银行基层行辖区内一家县级支行的内部控制绩效审计为例进行实证分析,以期转换思路,探索方法,推进人民银行绩效审计实践与研究。

重塑黄土直剪试验误差分析及对边坡可靠性影响评价

为通过室内快剪试验误差来源分析强度参数的随机特性,比较了击实法和压样法对抗剪强度离散性的影响,并在两种制样方式的基础上,进行再现性试验,通过对抗剪强度及正应力修正,采用Grubbs准则检验可疑值,求得了能反映强度参数随机特性的概率分布,并使用K-L级数展开法离散强度参数正态随机场,分析了两种制样方式对边坡可靠性的影响.研究表明:压样法制样比击实法获得数据离散性更小,使用再现性法能够体现强度参数的随机特性;两种制样方法在边坡稳定性分析时安全系数接近,由于击实法统计数据的离散性更大,可靠性分析时比压样法产生更大的失效概率.

基于格拉布斯准则和改进粒子滤波算法的水下传感网目标跟踪

水下无线传感网络(UWSN)执行目标跟踪时,因为各个传感器节点测量值对目标状态估计的贡献不一样以及节点能量有限,所以探索一种好的节点融合权重方法和节点规划机制能够获得更好的跟踪性能。针对上述问题,该文提出一种基于Grubbs准则和互信息熵加权融合的分布式粒子滤波(PF)目标跟踪算法(GMIEW)。首先利用Grubbs准则对传感器节点所获得的信息进行分析检验,去除干扰信息和错误信息。其次,在粒子滤波的重要性权值计算的过程中,引入动态加权因子,采用传感器节点的测量值与目标状态之间的互信息熵,来反映传感器节点提供的目标信息量,从而获得各个节点相应的加权因子。最后,采用3维场景下的簇-树型网络拓扑结构,跟踪监测区域内的目标。实验结果显示,该算法可有效提高水下传感器网络测量数据对目标跟踪预测的准确度,降低跟踪误差。

大坝位移监测中的粗差剔除方法

针对大坝位移监测中常用粗差剔除法存在的问题提出了一种新型的粗差剔除方法。首先,根据层次分析法得到Dixon准则、Grubbs准则、Chauvenet准则、四分点准则的权重系数,并设定好粗差判定阈值;其次,根据原始观测资料建立大坝位移的偏最小二乘回归模型,得出样本对应的残差序列;然后根据四个准则依次判定出所有疑似粗差的测值;最后,按照此4种准则的权重系数,加权综合得到每个测值的粗差概率值,并与粗差判定阈值对比,得到最后的粗差集并剔除。该方法综合考虑了多种粗差数据识别方法,权衡了误判和漏判的可能性,为剔除大坝位移数据中的粗差提供了一种更为科学合理的方法。

射频仿真系统的误差分析与可信度评估研究

首次将统计方法应用于射频仿真系统的可靠性分析中,总结出其应采用的一般方法。采用Grubbs准则对校准系统测得的实验数据中的粗大数据进行滤除,接着分别采用数据比较法和阿贝检验法对定值和变值两种系统误差是否显著进行检验,如果系统误差显著,则应采用实验比对的方法消除之,使随机性成为数据的主导因素。采用χ2-分析法确定数据概率分布,对合格区间进行概率密度的积分以确定可信度。这种方法易于通过编程实现,并由校准系统自动完成可信度评估。给出了它的算法描述与应用效果实例。

不确定度评定中离群值的检验及计算机编程

探讨了不确定度评定中的离群值检验问题。采用Grubbs准则和Dixon准则联用的方法进行离群值检验 ,并编制成计算机程序以利于使用。运用该方法对实际数据进行检验 ,能很好地剔除数据中的离群值。发现实际应用中Dixon准则优于Grubbs准则 ,并对其原因作了探讨。

过套管电阻率测井资料预处理方法

过套管电阻率测井原始资料为点测、多值、数据稀疏、深度不等间距的数据,且存在深度误差,需要对其进行必要的预处理之后形成单值、等深度间距和深度正确的数据才能进行后续处理,从而与其他测井资料配套应用。提出了一套预处理方法,采用Grubbs准则剔除可能的异常测量值;采用Lagrange插值形成等深度间隔、加密的数据;采用自动的相关分析进行测量数据的深度校正。对新疆油田10余口井过套管电阻率测井原始资料的预处理表明这套预处理方法有效可行。

室内定位中K-means聚类算法奇异值的优化处理

针对室内定位聚类算法中的奇异值出现较多的场景,按照以往聚类算法大多将其删除或替代为聚类平均值,这往往使得奇异值附近的定位误差陡增。研究采集阶段接入点(acess point,AP)端加入嵌入式滤波处理单元,采用格拉布斯(Grubbs)准则处理采集的信号以减少检测奇异值;然后在定位运算中改进了K-means聚类算法。首先根据模型函数鉴别运算中产生的奇异值,将奇异值线性化处理后由支持向量机(sport vector machine,SVM)对于奇异点进行分类;再将其进行K-means聚类划分。在不剔除奇异值的情况下,使得定位区域中的参考点合理利用,从而提高了整体累计误差的置信水平。研究中将剔除奇异值的K-means聚类算法作为比较对象,实验中采用美国Signal Hound公司的SA44B型频谱仪测量接收机组成传感器网络,可以使得K-means聚类算法的定位精度提高11.3%,证明在实际定位应用中是很有效的。

微机控制物料称量提前量的研究

通过对微机称量系统提前量控制的两种方法———渐消记忆法和Grubbs准则法的讨论 ,指出将Grubbs准则应用于提前量的控制 ,可有效的剔除偶然误差 ,实现精确称量。

基于随机-模糊处理理论的岩体力学参数研究

讨论了随机-模糊处理方法在岩石力学指标统计分析中的应用,并对计算中诸如迭代精度、隶属函数的取值等关键问题进行了较深入地研究。结果表明,基于岩石样本力学参数的离散性中既包含随机不确定性,又包含模糊不确定性,采用随机-模糊处理方法优于其他常规的统计方法,从而为该方法在工程实践中的应用奠定了基础。

物料配比系统提前量自适应辨识方法的研究

在物料配比系统中提前量辨识精确与否直接影响物料配比系统的配料精度,因此,提高提前量辨识精度是改进物料配比系统配料精度的前提.在分析了利用渐消记忆法进行提前量辨识的基础上,提出了利用Grubbs准则法进行提前量辨识,然后对这2种方法进行理论分析和蒙特卡洛方法计算机仿真.分析结果表明,利用Grubbs准则法进行提前量辨识的均方差远小于渐消记忆法辨识的均方差,并且可以有效剔除偶然误差,进而实现精确称量及提高配料精度.

高准确度网络安全意识个体评估及群体指数构建方法

针对网络安全意识评估方法存在评估准确度不及、客观性不足、缺少对群体的网络安全意识评估方法等问题,提出了一种高准确度的网络安全意识个体量化评估和群体指数构建方法.该方法从多个维度采集个体的网络安全意识数据,利用混合回归模型将安全数据量化为安全得分;利用改进的标签传播算法进行聚类,通过设定监督信息而不依赖标签数据,得到个体的信息安全意识等级;利用多个个体的信息安全意识评估结果,使用基于Grubbs准则构建的指数计算公式,弱化群体中的异常点,量化群体内部共同意识,得到群体网络安全意识指数.实验结果表明,相对现有的评估方法,该方法的准确度和客观性显著提升,同时能够正确反映群体网络安全意识水平,为网络安全意识的全面提升和闭环促进提供了技术方法.

结合二次特征提取和LSTM-Autoencoder的网络流量异常检测方法

为解决大多数网络流量异常检测方法准确度低、误报率高等问题,提出一种基于长短期记忆网络自编码(LSTM-Autoencoder)的网络流量异常检测方法.首先,将真实网络流量从数据包和会话流级别两方面提取数据特征.为了丰富原始特征,采用离散小波变换(DWT)分解原始特征向量得到更高维特征.考虑真实网络环境可能存在异常数据,采用Grubbs准则对数据进行平滑操作,以防止非人为异常数据干扰训练LSTM-Autoencoder模型.使用已训练的LSTM-Autoencoder模型对训练数据进行重构,通过分析重构误差分布确定检测阈值.最后,对真实网络流量进行测试,分析了模型结构以及外部噪声对检测性能的影响,实验结果验证了所提方法的正确性.与其他基于数据重构的检测方法相比,所提方法具有更高的检测准确度和更优的检测性能.

基于测量机器人的实时粗差探测方法研究

粗差探测是变形监测中一项重要的工作。随着全站仪技术的发展,测量机器人越来越多的应用到变形监测项目中,需要对获取的实时数据进行实时粗差探测。本文以Grubbs准则为基础探索了一种基于历史数据的实时粗差探测方法。经某电站实测数据测试表明,该方法可以识别出测量机器人返回数据中的粗差,同时解决观测值正常变化被识别为粗差的问题。