Mǖntz系统{xλ_n}(λ_n↘0)有理逼近的Jackson型估计

设Λ={λn} ∞n=1 为一满足λn 0 (n→∞)的实数序列.若λn≤Cn- 12 ,n=1,2 ,…,得到了Lp[0 ,1 ] 空间Müntz系统{ xλn}有理逼近的Jackson型估计:Rn(f,Λ) Lp≤Cpω(f,n- 1 2 ) Lp,1<p≤∞.推广了周的相关结论.

Müntz有理逼近的点态Jackson型估计

Müntz系统的非线性使得其逼近速度刻画成为一个困难的问题 .本文考虑条件λn+ 1 -λn ≥Mn2 下 ,Müntz系统 {xλn}有理逼近的一个点态Jackson型估计 ,这是对J.

Orlicz空间内一类有理函数逼近的一种Jackson型估计

研究了Orlicz空间内一类有理函数逼近问题.在被逼近函数改变l次符号的条件下,借助Steklov平均函数,利用修正的Jackson核,Hardy-Littlewood极大函数,Cauchy-Schwarz不等式等工具,给出了逼近阶的一种Jackson型估计.考虑到Orlicz空间内拓扑结构的复杂性,本文得到的结果比连续函数空间和L_p空间内同类问题的研究结果具有更广泛的意义.

L^p空间Kantorovich-Vertesi算子逼近的Jackson型估计

考虑了 Kantorovich-Vertesi有理插值型算子 L*n,s( f,X,x)对 Lp[- 1 ,1 ]( 1≤ p≤∞ )空间函数逼近的 Jackson型估计 .并获得了如下逼近阶 :‖ L*n,s( f,X,x) -f( x)‖Lp[- 1,1] ≤ Cp,sω f ,1n + 2 Lp[- 1,1]( s>2 )

对逐段凸函数逼近的Jackson型估计

对不满足文献［１］中定理条件的部分可微函数，在逐段严格凸的条件下，利用插值多项式讨论了其共凸逼近，给出了逼近阶的Ｊａｃｋｓｏｎ型估计，同时还得到了它一、二阶导函数的逼近阶估计式。

Ⅱ型双删失样本下逆Topp-Leone分布的Bayes估计

在Ⅱ型双删失样本下,研究了逆Topp-Leone分布参数的极大似然估计,证明了极大似然估计的存在性和唯一性;基于未知参数的先验分布为Gamma分布和Jeffrey分布,分别在三种不同损失函数下,得到逆Topp-Leone分布未知参数的Bayes估计。根据后验密度函数得到预测密度,进而得到未来观测值在三种损失函数下的预测估计值。为了比较在不同损失下Bayes估计的优劣,采用数值模拟方法计算了各种估计的均值及均方误差,结果表明在Linex损失下未知参数的Bayes估计量更接近真值,均方误差最小。

L型阵水下目标方位和距离联合最大似然估计

空间目标定位是阵列信号处理领域中的研究热点,广泛应用于雷达、声纳、通信、射电天文、医学诊断、地震遥感等众多领域。传统的水下声源定位仅获取目标声源的深度和距离信息,却无法估计目标的方位信息。针对这一问题,在充分考虑水下声传播模型的基础上,利用L型阵列固有的结构特征,将最大似然估计技术应用到水下目标定位,提出一种基于L型水听器阵列的水下目标方位与距离联合最大似然估计算法。研究表明:最大似然估计法可有效突破传统波束形成分辨力“瑞利限”的限制,提高水下目标定位的分辨能力和精度。计算机仿真分析显示,在单目标和相干双目标的场景中,文中所提出的方法均具有更为尖锐的谱峰及更低的旁瓣水平,可对水下目标进行有效的方位角和距离联合估计。

基于贝叶斯估计的空间函数型自回归模型及其应用

目的为了研究函数型数据中响应变量的空间相关性,根据现有研究方法,对具有空间依赖性的函数型数据进行研究,并提出其模型的贝叶斯估计方法。方法以典型空间自回归模型为基础,根据函数响应变量的空间依赖性,假设响应变量和解释变量间存在内生关系,生成空间函数型自回归模型,通过主成分分析将模型中函数型部分变为离散型,然后在给定先验情况下计算模型中参数的完全条件后验分布,使用贝叶斯MCMC方法进行估计。结果使用联合Gibbs采样和随机游动的Metropolis-Hastings算法对模型中参数进行估计,通过模拟研究发现:不同参数下模型的函数型系数以及其他参数的估计偏差和均方误差较小,由此验证了贝叶斯估计方法的有效性,同时将空间函数型模型用于重庆市主城区新房平均价格的实证分析,结果表明所提出模型的贝叶斯估计方法是有效的。结论使用贝叶斯估计方法对模型中参数进行估计,在不同情况下函数型解释变量的估计效果一直都比较好,并且随着样本量的增大,其估计效果也越来越好,可以认为使用贝叶斯估计方法对空间函数型自回归模型进行估计是有效且可行的,同时通过实证分析说明重庆市主城区新房平均价格具有空间自相关性,而且会受到二手房挂牌量的影响。

并网型直流微电网的非线性降阶建模及其估计吸引域的优化计算

面对“双高”电力系统的高维度、高随机性和强非线性,现有的建模和稳定性分析方法受限于维度、难以求解且准确度低。针对此问题,该文提出一个面向“双高”电力系统,包含非线性降阶建模和估计吸引域优化计算的稳定性分析框架。首先,考虑分布式光伏和恒功率负载的地理环境因素,应用Pioncáre规范理论,将并网型直流微电网的二次状态偏差模型依次进行分块降维、解耦和降阶变换,建立一阶二次微分方程形式的非线性降阶模型。然后,基于李雅普诺夫稳定判据,结合构造含辅助变量的最优化模型思想,并利用克罗内克积性质,提出估计吸引域的优化计算方法,构建优化的估计吸引域(optimalestimatedregionofattraction,OEROA)。最后,以分布式光伏云层遮蔽和恒功率负载扰动下的微电网系统作为算例,与基于LaSalle定理的李雅普诺夫法、Takagi-Sugeno(T-S)模糊模型法对比,验证所提方法构建的估计吸引域具有更低的保守性,以及所提分析框架的有效性。

计及频率响应延时的构网型变流器惯量参数数据驱动估计方法

大量可再生能源并网引起电力系统惯量水平降低,变流器的虚拟惯性控制技术有效提高了系统频率稳定性。在此背景下,评估变流器的惯量参数对于了解电力系统频率调节潜力有重大意义。然而,考虑到频率响应特性的差异,现有的应用于同步发电机的惯量估计方法不适用于基于数字控制的虚拟惯性。为了解决这一问题,文中提出了一种基于深度强化学习的非侵入式构网型变流器惯量参数在线估计方法。首先,分析了构网型变流器的频率响应原理和延时特性并进行了测试;随后,在深度强化学习框架下设计串联-并联辨识结构,采用近端策略优化方法建立考虑频率响应延时的演员网络和评论家网络,进而估计构网型变流器的惯量参数。最后,采用数值仿真和硬件在环实验验证了所提方法的有效性和精确性。

逐步增加Ⅱ型截尾下Pareto分布形状参数的Bayes估计

基于逐步增加Ⅱ型截尾样本,首先得出Pareto分布形状参数的极大似然估计,考虑两个损失函数和形状参数的两个先验分布,得出该分布形状参数的4个Bayes估计。由数值模拟结果发现,上述四个Bayes估计值的均方误差均小于极大似然估计值,其中,当损失函数为二次损失函数,形状参数的先验分布为共轭先验分布时的Bayes估计的均方误差较小,估计效果更理想,且实例分析与数值模拟结果相符。其次在二次损失函数下,针对形状参数先验分布选取共轭先验分布,给出Pareto分布形状参数的多层Bayes估计和E-Bayes估计。

多复变数某类推广的螺型映射精确的系数估计

主要用统一方法建立限制条件下复Banach空间单位球与Cn中单位多圆柱上某类推广的β型螺型映射全部项齐次展开式的精细估计.同时,也用统一方法建立较弱限制条件下C^(n)中Dp1,p2,…,pn=■,pl>1,l=1,2,…,n上某类推广的β型螺型映射主要系数的精细估计.特别地,限制条件下k折对称β型螺型映射的结果是精确的.所得结果包含前面文献中许多已知结论.

特殊拉格朗日型方程在超临界相位下的内部梯度估计

本文研究了在超临界相位下的特殊拉格朗日型方程arctan{∆uIn−D^(2)u}=Θ(x),并建立了与特殊拉格朗日型方程相关的解的内部梯度估计.

带有删失函数型协变量的非参数模型的估计研究

该文在删失函数型协变量背景下,研究非参数模型的估计问题,通过使用曲线扩展算法把删失函数型数据扩展为完整函数型数据.该算法具有很好的准确性和灵活性,避免了删失函数型数据难以建模的问题.使用函数型核估计方法得到模型中非线性算子的估计值.通过数值模拟验证该算法的有效性和删失函数型数据对非参数模型的影响,并应用于肝硬化数据集的数据分析中.

损失函数下逐步二型删失数据广义Pareto分布参数的Bayes估计

基于逐步二型删失数据,在几种不同的损失函数下,选择广义Pareto分布,讨论其形状参数的Bayes估计。当尺度参数给定时,为θ参数引入Gamma分布作为先验分布,得到了几种不同损失函数下参数θ的Bayes估计的数学表达式,通过数值模拟方法,比较了几种损失函数下所得到的Bayes估计的效果。结果表明:在Linex损失函数下,广义Pareto分布参数的Bayes估计效果最优。

二元逻辑回归模型中的一阶近似刀切修正岭型估计

在二元逻辑回归模型中,基于一阶近似修正岭型估计方法和刀切法提出了一类新估计,即一阶近似刀切修正岭型估计,探讨得到了新估计在均方误差等准则下优于一阶近似修正岭型估计、一阶近似极大似然估计的充分条件,同时通过数值模拟和实证分析对部分理论结果进行了说明,结果显示,当满足理论结果中的条件时,一阶近似刀切修正岭型估计在相关准则下优于一阶近似修正岭型估计、一阶近似极大似然估计。

基于高分辨率网络的轻量型人体姿态估计研究

现有人体姿态估计网络通常采用增加网络模型深度的方式来提高预测精度,但是导致网络模型的参数量以及运算复杂度增加。为此,在高分辨率网络的基础上提出一种融入Ghost模块、Sandglass模块以及注意力机制的轻量型人体姿态估计网络GSENet。参考基础残差模块Bottleneck以及Basicblock,将Bottleneck模块中的标准卷积替换为Ghost卷积,并且将Basicblock模块中的卷积替换为Sandglass模块,通过这种方式重新构建基础模块GSEneck以及GSEblock。在此基础上,加入注意力机制以保证网络的预测精度。实验结果表明,相比HRNet,GSENet在COCO数据集上的参数量和运算复杂度分别减少84.6%和76.1%,在MPII数据集上的参数量和运算复杂度降低84.6%和76.8%,在保持一定预测精度的情况下,GSENet网络模型能够有效地减少网络参数量并降低运算复杂度。

Ma-Minda型双向单叶螺旋函数推广类的系数估计

利用Hohlov算子,定义了解析双单叶函数类σ的新子类Ma-Minda型双向单叶螺旋函数类H_(σ)^(μ,a,b,c)(λ,β,φ);利用从属关系,得到了该类中函数的系数a_(2)和a_(3)的有界估计以及Fekete-Szeg?不等式,推广了一些前人研究的结果.

带有混合时滞的中立型随机神经网络的状态估计

研究了一类具有Markov跳变参数的中立型神经网络的状态估计问题,所考虑的神经网络含有Markov模态依赖的离散时滞和无穷分布时滞。通过构造模态依赖的Lyapunov-Krasovskii泛函,得到状态估计误差系统全局渐近稳定的充分条件,从而保证了所考虑神经网络的全阶状态估计器的存在。通过将非线性耦合的矩阵不等式转化为线性矩阵不等式,利用线性矩阵不等式计算状态估计器的增益矩阵,由此解决了神经网络的状态估计问题。最后,通过数值例子说明所提出设计结果的有效性。

轻量型多路特征融合人体姿态估计

基于深度学习的人体姿态估计广泛应用于姿态识别、人机交互等领域.为了提升人体关键点的检测精度,很多网络采用运算量、参数量和复杂度不断增加的模型架构,导致无法直接部署到低算力设备.为了解决上述问题,本文提出了一种多路特征注意力融合的轻量型方法.模型基于HigherHRNet网络进行轻量化设计和训练,包括:采用通道拆分和通道混洗,解决分组卷积后特征层之间存在的信息隔离;采用线性运算的特征生成方法,解决不同特征层之间存在的冗余性;采用融合注意力信息的方法,缓解因轻量化导致的准确率下降.在MS COCO数据集上完成了模型的训练、测试、可视化以及消融实验.实验结果表明本文的轻量化方法在保证直观的检测精度前提下,能够显著降低人体姿态估计的计算量.