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。

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.

正则化Ginzburg-Landau型泛函极小元估计及渐近行为

在容许函数类空间中研究正则化Ginzburg-Landau型泛函极小元的渐近行为,以及它的估计问题.先给出正则化Ginzburg-Landau型泛函极小元渐近行为的一些相关事实,并利用Young不等式等方法加强此渐近行为的结论 .在此基础上,利用Young不等式和Holder不等式等方法研究极小元的估计,并建立估计数.

基于改进RBF神经网络模型的土壤背景估计算法

针对土壤背景估计算法参数确定后适应性较差的问题,提出一种基于径向基函数(RBF)神经网络模型的土壤背景估计算法,以有效提升针对土壤的能量色散型X射线荧光检测的背景扣除效果及元素定量精度.首先分析了常用的土壤背景估计模型,针对连续剥峰法和小波变换对背景估计的扣除效果和问题提出基于改进RBF神经网络的算法模型,然后从理论上证明该算法模型的有效性,并将该模型应用于实际的土壤能量色散型X射线荧光检测系统中,对国家标准土壤样品进行检测,对Cr,Zn和As等重金属元素的定量探测进行深入分析.实验结果表明,基于该土壤背景估计算法能更好地进行元素能量特征值提取,降低背景对元素特征峰和质量分数的影响,进而有效提升土壤元素的定量精度.

两类King型算子一致逼近的误差估计

本文借助C*[0, ∞)空间与C[0, 1]空间之间的变换,将C*[0, ∞)空间上的逼近问题转变到C[0, 1]空间上进行研究。应用一阶、二阶模,证明了两类保持函数1和e−μx (μ > 0)的King型算子一致逼近的误差估计。

区间删失数据下基于OLLGG分布的多参数回归模型的参数估计

该文基于Ⅱ型区间删失数据,在OLLGG分布下提出多参数回归模型,通过线性回归刻画分布参数与协变量之间的关系,并通过极大似然方法给出了模型的参数估计,数值模拟验证了模型参数的估计有良好的性质,将提出的模型应用到血友病患者HIV感染的数据中,发现提出的模型对数据有灵活的拟合效果.

考虑稳态和动态数据的S-型生化系统参数估计方法

针对具有稳态实验数据和动态实验数据的一类S-型生化系统的参数估计问题,以浓度误差、斜率误差与稳态误差之和为极小化目标,构建了一种参数估计优化模型。为了求解参数估计问题,利用四阶龙格库塔离散化格式,将优化问题中的微分方程转化为代数方程,同时将所构建的优化模型转化为稳态约束条件下的非线性规划问题。为了求解上述非线性规划问题,应用样条插值估计实验值的速率。为了说明算法的有效性可行性,将建立的优化模型与求解方法应用到已有的S-型生化系统中,并绘制了仿真结果的图像。与已有方法比较,数值结果表明,加入稳态误差优化与稳态约束后,可获得更为精确的参数估计结果。

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 )

司美格鲁肽和度拉糖肽治疗2型糖尿病的疗效与安全性比较:基于倾向性评分匹配的回顾性队列研究

目的探究司美格鲁肽对比度拉糖肽治疗2型糖尿病的疗效和安全性。方法采用多中心、回顾性队列研究设计,选择2021年4月—2023年7月在3家医院就诊的2型糖尿病患者为研究对象。根据用药情况分为司美格鲁肽组(以下简∶称“SEMA组”)、度拉糖肽组(以下简称“DULA组”),并根据基线性别、年龄、身体质量指数、血糖水平、糖尿病病程及并发症等,采用倾向性评分匹配法对2组患者进行1观察治疗后3、6、9、12个月的空腹血糖、餐后2 h血糖、糖化血红蛋白(HbA1c)、血肌酐、尿素氮、估算肾小球滤过率(eGFR)、尿白蛋白/肌酐比值(UACR)及不良反应的发生情况。结果倾向性评分匹配后,SEMA组和DULA组各纳入98例患者,2组患者的基线特征差异无统计学意义(P>0.05)。2组各随访时点的空腹血糖、餐后2 h血糖、HbA1c均较基线明显降低(P≤0.05)。2组各随访时点空腹血糖、餐后2 h血糖、HbA1c变化(各随访时点与基线差值)差异无统计学意义(P>0.05);第6个月时,SEMA组HbA1c<7%的比例高于DULA组(P<0.05)。相较于基线,SEMA组第6个月时血肌酐和尿素氮下降,第3、6个月时eGFR升高、UACR降低,差异均有统计学意义(P<0.05);DULA组第3、6个月时血肌酐升高、eGFR下降,第9个月时尿素氮下降,差异均有统计学意义(P<0.05)。第3、6个月时,SEMA组血肌酐较基线的降幅大于DULA组,SEMA组eGFR较基线的升幅大于DULA组,差异均有统计学意义(P<0.05);第6个月时,SEMA组UACR较基线的降幅大于DULA组,SEMA组肾功能不全比例低于DULA组,差异均有统计学意义(P<0.05)。2组不良反应发生率差异无统计学意义(P>0.05)。结论司美格鲁肽和度拉糖肽均可显著改善血糖控制效果,总体降糖效果相似,安全性相当,而司美格鲁肽有潜在的肾功能保护作用。