扩展目标跟踪Student’s t逆Wishart平滑算法

脉冲干扰和离群量测信息等因素通常会导致异常的厚尾噪声,这使得以高斯假设为前提的扩展目标跟踪(ETT)估计器的性能急剧降低,针对该问题该文提出一种基于扩展目标随机矩阵模型(RMM)的Student’s t逆Wishart平滑(StIWS)算法。首先,将目标的运动状态以及过程噪声和量测噪声建模为Student’s t分布以表征异常噪声对扩展目标概率分布的影响,将目标扩展状态建模为服从逆Wishart分布的随机矩阵。然后,在Student’s t贝叶斯平滑框架下,详细推导了能在扩展目标的多重特征动态演变的过程中有效估计目标状态的StIWS算法。最后,通过扩展目标跟踪的仿真实验结果和真实场景实验结果验证了所提算法的有效性。

含T接逆变型分布式电源配电网的自适应距离保护

大量逆变型分布式电源(Inverter Interfaced Distributed Generation,IIDG)接入配电网,传统继电保护技术的可靠性无法满足。为了提高配电网供电可靠性,适应可再生能源大量渗透的新型电力系统,针对含T形接入IIDG的配电网,文章提出了一种自适应性的距离保护方案。分析了故障发生在不同位置对保护的影响,根据IIDG在系统发生故障时的输出特性,通过BP神经网络利用保护本地电气信息计算IIDG的输出电流,实时整定动作值。该方法由于无需与远方通信,动作速度快,并且减少了通信系统的投资。最后在MATLAB中建立了含T形接入IIDG的10 kV配电网模型,并与传统距离保护进行了对比,验证了该保护方法的优越性。

t分布误差下非参数回归模型的区间估计

为了探索非正态分布误差下非参数回归模型的区间估计问题,本文考虑了模型误差独立且服从t分布的情形。利用小波方法和t分布的性质,构建响应变量的近似置信区间。考虑到在应用中误差分布未知,利用Bootstrap采样得到原始信号数据的区间估计。模拟算例表明:在区间覆盖率、区间平均带宽和覆盖宽度准则意义下,与基于重构信号的区间估计相比较,基于近似信号的区间估计是一种较为理想的方法。

非中心t分布合格判定方法中k值计算

非中心t分布是批量产品电磁兼容符合性评定的重要统计技术之一,k值是非中心t分布合格判定方法中的关键参数,在GB/Z 6113.403-2020中仅给出了80%/80%准则的有限样本下的k值,且未给出具体计算方法。本文结合电磁兼容试验统计技术实际应用情况,从非中心t分布分位数表中有对应分位数概率(P)值而无置信度(α)值、无P值且无α值两方面进行计算方法研究,提出了适用于不同准则和不同样本的k值计算方法,对不同计算方法进行了对比研究分析,指出基于线性插值和指数逼近拟合算法的准确性、与标准的一致性较高,最后给出了两种典型的k参数计算值。旨在为电磁兼容非中心t分布试验符合性统计评定提供工程指导和参考。

基于自适应t分布与动态权重的樽海鞘群算法

针对樽海鞘群算法寻优精度低、收敛速度慢和易陷入局部最优等缺点,提出一种基于自适应t分布与动态权重的樽海鞘群算法。首先,在领导者位置更新中引入蝴蝶优化算法中的全局搜索阶段公式,以此来增强全局探索能力;然后,在追随者位置更新中引入自适应动态权重因子来加强精英个体的引导作用,从而增强局部开发能力;最后,为了避免算法陷入局部最优,引入自适应t分布变异策略对最优个体进行变异。通过对12个基准测试函数进行求解,根据平均值、标准差、求解成功率、Wilcoxon检验和收敛曲线分析,表明所提出的算法要优于标准樽海鞘群算法,以及参与比较的其他改进樽海鞘群算法和其他群智能算法,说明了其在寻优精度和收敛速度方面都有显著提升,并且具备跳出局部最优的能力。通过将其应用在脱硝入口浓度最低点寻找上,验证了算法的有效性。

基于HMFDE和t-SNE的旋转机械故障诊断方法

针对旋转机械的故障特征提取较难,以及单一类型的特征无法全面反映故障特性的问题,提出了一种基于混合多尺度波动散布熵(HMFDE)、t分布-随机邻域嵌入(t-SNE)和郊狼优化算法(COA)优化极限学习机(ELM)的旋转机械故障诊断方法。首先,采用特征加权提出了混合多尺度波动散布熵方法,并将其用于提取旋转机械振动信号的故障特征;随后,采用t-SNE方法对混合故障特征进行了特征降维,挑选出了最能够反映故障特性的特征子集,构建了敏感特征样本;最后,采用郊狼优化算法对极限学习机的输入权重和隐含层阈值进行了优化,完成了旋转机械的故障识别和分类;以齿轮箱和滚动轴承故障数据集为对象,对基于HMFDE、t-SNE和COA-ELM的故障诊断方法进行了实验,验证了方法的有效性。研究结果表明:采用HMFDE-t-SNE-CAO-ELM故障诊断方法可以取得100%的故障识别准确率,该方法能够有效地诊断旋转机械的不同故障类型和损伤;相较于基于单一类型特征的故障诊断方法,其准确率分别可以提高0.68%、22.42%、29.18%(齿轮箱)和1.43%、8.23%、23.67%(滚动轴承),虽然牺牲了一定的计算效率,但准确率得到了明显的提高;相较于其他常规故障分类器,COA-ELM的故障识别准确率具有明显的优势。

基于改进SCSO算法的光伏MPPT研究

在解决光伏阵列在局部遮挡时发电效率降低的问题时,传统最大功率点追踪(MPPT)方法容易追踪失败。为此,提出一种改进沙猫群优化算法的最大功率点追踪方法。该算法在标准沙猫群算法的基础上,引入了精英反向学习和自适应t分布,同时优化沙猫群算法(SCSO)的局部搜索并融合Jaya算法。通过对4种典型单峰、多峰函数的测试,证明该算法具有极高的收敛速度,容易跳出局部最优值。将算法应用于MPPT控制中,仿真结果表明:在静态遮荫情况下,所提方法的搜索最大功率点的时间更少;在动态遮荫条件下,重新搜寻到最大功率点的响应时间平均为0.2 s。实验表明所提算法可以适应动态变化的天气,解决了传统算法收敛速度和防止陷入局部最优等问题。

基于Student′s t分布的不依赖子波最小二乘逆时偏移

最小二乘逆时偏移(Least-Squares Reverse Time Migration,LSRTM)与常规偏移相比具有更高的成像分辨率、振幅保真性及均衡性等优势,是当前研究的热点之一.震源子波的估计直接影响LSRTM结果的好坏,在实际情况下考虑到震源子波的空变特性,其估计十分困难.为了消除子波对LSRTM结果的影响,本文发展了基于卷积目标泛函的不依赖子波LSRTM算法.目标泛函由观测记录卷积模拟记录的参考道以及模拟记录卷积观测记录的参考道组成,由于观测子波和模拟子波在目标泛函的两项中同时存在,从而消除了子波的影响.此外,常用的基于L2范数拟合的LSRTM算法对噪声非常敏感,尤其是当地震数据中含有异常值时,常规LSRTM无法得到满意的结果.Student′s t分布相比L2范数具有更好的稳健性,本文将其推广到不依赖子波LSRTM中,提升了算法的稳健性,最后通过理论模型及实际资料试算验证了算法的有效性和对复杂模型的适应性.

基于改进INFO-Bi-LSTM模型的SO_(2)排放质量浓度预测

针对火电机组SO_(2)排放质量浓度的影响因素众多,难以准确预测的问题,提出一种改进向量加权平均(weighted mean of vectors,INFO)算法与双向长短期记忆(bi-directional long short term memory,Bi-LSTM)神经网络相结合的预测模型(改进INFO-Bi-LSTM模型)。采用Circle混沌映射和反向学习产生高质量初始化种群,引入自适应t分布提升INFO算法跳出局部最优解和全局搜索的能力。选取改进INFO-Bi-LSTM模型和多种预测模型对炉内外联合脱硫过程中4种典型工况下的SO_(2)排放质量浓度进行预测,将预测结果进行验证对比。结果表明:改进INFO算法的寻优能力得到提升,并且改进INFO-Bi-LSTM模型精度更高,更加适用于SO_(2)排放质量浓度的预测,可为变工况下的脱硫控制提供控制理论支撑。

槽区分布对T形槽液膜密封性能的影响

为研究槽区分布对密封性能的影响,以发散型T形槽液膜密封为研究对象,通过改变槽形区域位置,使其分布在动环外侧、中部及内侧,形成外槽形、中槽形和内槽形3种结构;建立其相应模型,对其液膜流场进行数值计算,讨论工况参数和槽形几何参数对3种槽形结构密封性能的影响。结果表明:槽区分布对密封性能有重大影响,同一条件下,外槽形拥有较强的流体动压特性和流体泵出效应,从而具有较大的开启力和较低的泄漏量,在3种槽形中密封性能最好;工况参数和槽形几何参数对3种槽形的开启力和泄漏量有较大影响,当膜厚取2~5μm,槽深取5~9μm,槽数取10~14个,发散角取32°~40°,可获得较好的密封性能。

基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法研究

脑机接口是脑与外界不通过神经或肌肉建立的交流通路,脑电解码通过归类脑电特征解读输出大脑意图,是影响性能的关键之一。由于脑电信号存在非平稳特性,即使在同一实验过程中脑电信号的特征也会随时间发生变化,导致事先训练好的解码模型精度常常会随时间逐渐降低,不利于脑机接口的长期稳定运行。本研究提出基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法,根据脑电特征变化前后T分布的K-L散度评估脑电的非平稳性并构建基于平稳性差值的目标函数,并以此目标函数调整EEGNet网络参数通过改变非线性映射的方式缩小平稳性差值,从而动态调整融合深度网络与聚类的EEGNet-T分布模型,实现对非平稳脑电的自适应解码。10名被试参与了视觉-听觉的脑机接口实验,并进行较长时间的脑电解码预测。与传统算法相比,本算法在连续128个试次组的任务中获得最高的平均准确率87.85%(p<0.05),并且在前半段实验和后半段实验对比中表现出最强的稳定性,表明该算法能够通过深度网络调整数据特征分布更好地适应脑电信号特征变化,具有更强的解码稳定性,能够保证脑机接口长时间工作的解码精度,为脑机接口实用化提供基础。

分布电感对脉冲电源充电T型保护回路的影响

在使用基于高频开关变换充电技术的充电机对脉冲电源充电时,由于充电回路中分布电感的存在,在高频电流充电过程中,会在充电机T型保护回路两端产生高于充电电压的过电压,存在损坏T型保护回路半导体功率器件的风险;为解决此问题建立充电机及脉冲电源回路仿真模型,通过仿真分析得到充电回路分布感变化对T型保护回路影响的初步规律,然后通过实验进一步验证该规律。为了减少充电回路分布电感对T型保护回路影响,针对性地提出了减少充电回路的分布电感解决方案,主要方法是改变输出线缆类型、长度等措施,并通过仿真与实验来验证该方案的有效性,为脉冲电源工程化应用提供可靠的参考依据。

基于自适应t分布与随机游走的麻雀搜索算法

针对麻雀搜索算法在解决复杂问题时存在的收敛精度降低以及陷入局部最优等问题,文中提出了一种基于自适应t分布与随机游走的麻雀搜索算法。该算法在初始化过程中使用反向学习来生成反向解,从中选择优秀的个体组成初始化种群。在原始麻雀搜索算法上采用自适应t分布策略和高斯随机游走策略可以提高麻雀个体的寻优能力,同时防止算法早熟。仿真结果表明,相较于对比算法,文中所提算法的收敛精度和收敛速度都有所提升。

红细胞体积分布宽度与淋巴细胞绝对值比值在结外NK/T细胞淋巴瘤患者中的预后价值

目的本研究旨在评估红细胞体积分布宽度(red cell volume distribution width,RDW)与淋巴细胞绝对值(absolute lymphocyte count,ALC)比值(RDW to ALC ratio,RLR)在结外NK/T细胞淋巴瘤(extranodal NK/T-cell lymphoma,ENKTL)患者中的临床价值,并为其风险分层提供信息。方法回顾性分析2013年4月至2022年5月武汉大学中南医院确诊的ENKTL患者的临床资料,采用Kaplan-Meier曲线和Cox比例风险模型分析RLR的预后价值。通过整合RLR分别建立改良的国际预后评分(international prognostic index,IPI)、韩国预后指数(Korean prognostic index,KPI)、NK/T细胞淋巴瘤预后指数(prognostic model of natural killer lymphoma,PINK)、列线图修订风险指数(nomogram-revision risk index,NRI)模型,并通过受试者工作特征曲线对其进行验证。结果共纳入72例ENKTL患者,不同RLR水平的ENKTL患者在年龄、ECOG PS评分、IPI评分、NRI评分、LDH水平和B症状方面差异具有统计学意义(P<0.05)。本研究中位随访时间为43个月,Kaplan-Meier曲线显示,低RLR组(RLR<10.2)患者3年PFS率(50.6%vs.28.8%,P=0.032)和3年OS率(79.2%vs.40.8%,P=0.001)显著高于高RLR组(RLR≥10.2)。单因素分析显示,RLR≥10.2[HR=4.120,95%CI(1.643,10.333),P=0.003]、ALC<1.0×10^(9)/L[HR=3.793,95%CI(1.712,8.403),P=0.001]、RDW≥13.6[HR=2.874,95%CI(1.199,6.886),P=0.018]均与ENKTL患者OS的预后不良相关。调整化疗方案(含天冬酰胺酶)后,多因素分析结果显示,ALC<1.0×10^(9)/L[HR=3.146,95%CI(1.249,7.924),P=0.015]和RLR≥10.2[HR=3.228,95%CI(1.077,9.680),P=0.036]仍与ENKTL患者的OS预后不良显著相关。在Ann Arbor分期Ⅰ~Ⅱ期患者中,多因素分析分析显示,ALC<1.0×10^(9)/L[HR=3.970,95%CI(1.173,13.436),P=0.027]、ECOG PS≥2分[HR=4.261,95%CI(1.219,14.900),P=0.023]是早期患者OS的独立危险因素。分层分析显示,RLR有助于ENKTL患者的危险分层。此外,整合RLR可为IPI、KPI、PINK和NRI模型提供额外的预后信息。结论ALC可作为早期ENKTL患者预后的评估指标,RLR可能有助于ENKTL患者风险分层和临床决策。

一种自适应t分布和Lévy飞行机制的沙猫群优化算法

沙猫群算法是一种新颖的群智能优化算法。为了进一步提高该算法的收敛精度,避免陷入局部最优问题,引入自适应t分布和Lévy飞行机制改进沙猫群算法,称之为TLSCSO算法。首先设计一个非线性收敛因子,用来平衡算法的探索和开发,再引入自适应t分布,提高收敛精度,最后引入Lévy飞行机制,使算法跳出局部最优。在CEC 2022的12个测试函数上与其他算法进行对比,计算结果表明,TLSCSO在大部分测试函数上能够找到更好的解,且收敛速度快。

基于t分布的床位利用指数模型对某医院床位设置情况的分析

目的 针对目前医院4个季度各临床科室存在实际开放床位设置不合理、医院床位资源分配无法与实际需要相匹配的问题,该文提出基于t分布的床位利用指数模型,综合分析各科室床位是否合理,为床位调整提供科学依据。方法 以某三甲医院为例,分析2019年全年统计报表和年报表,根据平均开放床位与床位利用指数的数学关系,计算各科室4个季度所需开放床位的95%可信区间。结果 在78个临床科室中,需要上调床位的科室有26个,需要下调床位的科室有39个,床位设置合理的科室有13个。通过调整床位,对比2023年第二季度统计报表,相应科室平均住院时间缩短,床位利用指数升高。结论 基于t分布的床位利用指数模型是有效的,为各科室床位设置提供了科学依据。

基于CAE-TSNE的成品油管道运行工况识别

成品油管道运行工况变化频繁,难以精准判断管道运行状态,依靠现场人员进行识别监控易造成误判。本文为实现管道运行工况的准确识别,考虑管道的物理空间特性,分析整理各站运行参数(压力、流量、密度);考虑管道运行的时间序列特性,基于SCADA管道数据构造运行数据矩阵,以克服单一时刻的瞬态扰动。针对管道运行数据高维度、非线性的特点,利用卷积自编码器(CAE)强大的特征压缩及重构能力对管道数据做降噪处理;利用T分布邻域嵌入算法(T-SNE)对管道数据做降维聚类处理,最终建立了基于CAE-TSNE的管道运行工况识别模型。以某两条成品油管道为例,对比主流的非线性分类模型(ANN、DT、RF),结果表明基于CAE-TSNE的工况识别模型精度最高,对降噪后的运行数据识别准确率可达到99%以上,可用于指导现场管道的运行管理。

非对称三参数Student-t分布的参数估计及应用

文章基于t分布构造了一个新的非对称三参数Student-t分布。推导了新分布的累计分布函数、分位数函数、随机变量表达式和原点矩估计等基础性质,使用了矩方法、极大似然估计法和贝叶斯估计法等进行了参数估计,并通过生成模拟数据的方法比较验证了三种方法的合理性。最后,将新分布代入实例中拟合,结果表明新分布相比其他的分布,在非对称和厚尾方面具有更好的拟合能力。

基于TGARCH-偏态t分布模型的美元兑人民币汇率波动实证分析

文章使用R4.2软件,选取2015年1月—2022年9月工作日美元兑人民币汇率数据,选取非对称GARCH模型族,参考具有尖峰厚尾特征的分布函数。研究结果表明,基于偏态t分布的非对称TGARCH模型的拟合优度高于传统的GARCH(1,1)模型,且高于其他分布的EGARCH模型,一阶差分的美元兑人民币汇率序列具有杠杆效应。

基于Student-t分布的混合模型图像分割方法

传统图像分割方法在分割被重尾噪声污染的图像时的分割效果不理想。针对该问题,提出一种基于Student-t分布的图像分割方法。该方法根据像素间的空间关系,计算出其先验概率,使用梯度下降法优化参数,从而最小化误差函数,在参数优化后得到像素点的后验概率值,对像素进行标记以实现图像分割。实验结果表明,在处理被重尾噪声腐蚀的图像时,与传统的K-均值、模糊C-均值等图像分割方法相比,该方法的误分率较低,分割效果较好。