复杂系统可靠性增长的动态建模方法

复杂系统可靠性增长试验是一个动态的过程,成本所限不允许进行大规模的试验,而传统方法在子样容量不足的情况下误差较大,无法精确地反应系统可靠性增长的特点,因此在小子样条件下对复杂系统可靠性增长进行评估是目前亟待解决的问题.基于AMSAA模型下复杂系统可靠性增长试验的特点,结合少量现场试验数据,提出了可靠性增长评定的动态建模方法,运用Bayes线性回归方法对系统的可靠性参数进行预测,并对可靠性增长试验的结果进行评定,并给出了各阶段可靠性增长试验中可靠性参数的Bayes估计.由仿真实例证明,与传统方法相比,文中的动态建模方法更加准确,能够有效的解决小子样条件下的可靠性增长问题.     

基于先验信息可信度的鱼雷可靠性Bayes分析

鱼雷武器装备具有小子样复杂系统的特点,在运用Bayes方法进行鱼雷系统可靠性试验与评定分析时,为了尽量较少试验样本,充分利用了各种先验信息,但在进行Bayes分析时尚未考虑先验信息的可信度问题.基于此,在分析先验信息是否会淹没小子样现场试验信息问题基础上,引入可信度理论,给出了基于先验信息可信度的鱼雷可靠性Bayes方法.最后通过鱼雷系统仿真实例具体说明了方法的应用,同时也验证了方法的合理性和有效性.     

基于证据理论的可靠性信息融合方法研究

在对大型客机、导弹、卫星等复杂系统进行可靠性评估时,由于可靠性试验代价昂贵且周期太长,导致可靠性现场试验数据很少,需要充分合理地利用各种来源和各种类型的验前信息,如专家经验、相关型号产品的试验信息及来自不同的试验环境和阶段的信息等,为提高可靠性和置信度的精度,运用Bayes小子样统计推断方法.但Bayes方法应用的一个关键问题就是验前分布的获取和表示问题,提出了利用修正证据组合规则融合多源验前信息的方法,并在融合验前分布的基础上对二项分布产品的可靠性进行了综合评估,并进行仿真,实例表明方法在工程实际中有效果,还可推广应用于其它分布类型的产品的可靠性评估.     

控制系统的Bayes可靠性评估算法

针对特定试验条件下小子样控制系统可靠性评定的特点,提出了利用验前信息来弥补现场试验信息不足的改进双重Bayes MC方法。在对单元可靠性分析的基础上,给出单元的可信验前信息,依据特定的可靠性框图,结合有限的系统试验数据,推导出试验用控制系统可靠性评估步骤和计算公式,并对系统可靠度进行了数值仿真计算,计算结果令人满意。     

多阶段实验数据融合的Bayes可靠性评定模型

为实现多源先验信息的合理利用,基于多阶段实验数据融合数据方法,建立Bayes可靠性评定分析模型。提出多阶段实验数据融合方法,将各种实验数据进行阶段分类,将第1阶段的实验数据作为最初的先验信息,当获取第2阶段的数据后,按Bayes方法进行信息融合,以得到后验信息,并将其作为下一阶段的先验信息,依次递推,进行多阶段的信息融合。仿真结果表明,该模型简单易行,可有效融合多源先验信息,实现小子样条件下的Bayes可靠性评定。     

基于ML-II的小子样复杂系统多源信息融合方法

复杂系统可靠性信息的主要特点是小子样现场试验数据和多种可利用的多源先验信息。在利用Bayes理论进行小子样可靠性评定过程中,为了尽可能少做现场试验,必须充分利用各种先验信息,获取合理的先验分布。提出了一种基于第二类极大似然估计原理（ML-II）的多源信息融合方法,以某鱼雷自导系统的作用距离为例进行仿真分析,验证了该方法的合理性和有效性。     

小子样条件下火箭弹射击密集度可靠性研究

针对当前武器系统试验分析评估存在难以进行大量试验,经典统计方法难以满足需求的状况,提出在小子样条件下对某型火箭弹射击密集度可靠性进行评估。根据地面模拟环境试验和飞行试验信息,利用二项分布确定火箭弹射击密集度可靠性的分布,使用计算机进行数值处理。在不降低试验要求的情况下,与经典方法相比,小子样理论大幅度地减少了飞行试验用弹量。     

基于多层Bayes估计的战略协同网络供应链可靠性研究

对战略协同网络中供应链可靠性进行分析和判定.得到了可靠度计算公式,并以此为依据收集定时截尾数据.根据战略协同网络供应链可靠性统计特性,建立两种Bayes估计方法和一种多层Bayes估计方法,分别应用于样本供应链可靠性评估中.在估计供应链失效率的基础上,对供应链町靠度进行估计.仿真结果显示,应用多层Bayes估计方法效果较好.     

基于Bootstrap仿真的性能可靠性评估

性能可靠性是很多工业产品重要的质量指标.在对产品的性能可靠性进行评估的时候,经典统计方法常常面临数据不足的问题,而Bayes方法容易引起争议,为此将Bootstrap仿真方法引入到产品性能可靠性数据的统计分析中,提出了基于Bootstrap仿真的性能可靠性评估方法.Bootstrap方法又名自助法,是一种通过数字仿真扩大样本量的方法,它完全依赖于样本本身的数据,不需要任何主观假设.首先给出了利用Bootstrap方法计算性能参数的期望与方差的算法,并分析了Bootstrap方法的适用范围,最后通过一个实例说明了本方法的实用性.     

基于ML-Ⅱ原理的多源验前信息融合方法研究

在Bayes小子样理论中,验前分布的获取和表示是一个关键问题.针对反舰导弹靶场试验中遇到的验前信息的多源性,给出了一种基于第二类极大似然估计原理（ML-Ⅱ）的多源异总体验前分布的融合方法,并通过仿真实例证明了该方法的有效性.     

基于改进Bootstrap和Bayesian Bootstrap的 小样本产品实时性能可靠性评估 *

基于失效寿命数据的传统可靠性评估方法一般只能求出相同环境下同一类产品的平均特征,并不能对 产品进行实时定量的可靠性分析,对于小样本条件下产品的实时性能可靠性评估更是无能为力,而Bayes方法 又容易引起争议。为此,提出了基于改进Bootstrap（改进自助法）仿真和Bayesian Bootstrap（随机加权法）仿真的 小样本产品实时性能可靠性评估新方法。这两种方法均是通过数字仿真技术扩大样本量,该方法完全依赖于样 品本身的数据,不需要任何主观假设。首先介绍了这两种方法的基本思想,并对传统自助法     

通过创建虚拟样本的小样本人脸识别统计学习方法

研究了人脸识别方法．在传统的“特征脸”方法基础上，提出了一种基于贝叶斯方法的小样本人脸识别方法，该方法对于经过预处理的标准人脸图像，通过原型脸创建虚拟样本，扩充样本数量，然后用PCA降维并提取人脸图像的特征．对提取的特征用BEM算法学习该类样本的概率密度分布参数，构建贝叶斯混合网络分类器．该方法可以有效地解决统计学习方法中样本数量不足问题，提高小样本人脸识别方法的识别率，同样可以运用于模式识别中其它对象识别．实验表明，该方法能提高小样本人脸识别率，有实际应用价值。     

Text Document Preprocessing with the Bayes Formula for Classification Using the Support Vector Machine

This work implements an enhanced hybrid classification method through the utilization of the naïve Bayes classifier and the Support Vector Machine (SVM). In this project, the Bayes formula was used to vectorize (as opposed to classify) a document according to a probability distribution reflecting the probable categories that the document may belong to. The Bayes formula gives a range of probabilities to which the document can be assigned according to a pre determined set of topics such as those found in the "20 newsgroups" dataset for instance. Using this probability distribution as the vectors to represent the document, the SVM can then be used to classify the documents on a multi – dimensional level. The effects of an inadvertent dimensionality reduction caused by classifying using only the highest probability using the naïve Bayes classifier can be overcome using the SVM by employing all the probability values associated with every category for each document. This method can be used for any dataset and shows a significant reduction in training time as compared to the LSquare method and significant improvement in classification accuracy when compared to pure naïve Bayes systems and also the TF-IDF/SVM hybrids.     

基于SVM和GA的图像质量评价方法

针对主观评价关联方法易陷入局部最优以及处理非线性、高维、小样本问题时效果不佳等问题,以均方误差、峰值信噪比、奇异值分解这3个图像质量客观评价指标和LIVE数据库评分作为学习样本,通过支持向量机学习得到主客观关联函数,利用遗传算法进行最优参数选取,由此得到具有主客观一致性的评价模型。测试结果表明,相比传统方法,该方法对图像质量的评价更准确。     

基于多源离散数据的复杂系统可靠性评定方法

基于复杂跳伞装备在性能试验和实际训练过程中测试数据少、数据来源多、数据具有离散性的特点,从系统工程的理念出发,提出了一种系统级的Bayes可靠性评估方法.运用系统工程的理念与方法对复杂跳伞装备的系统结构进行层级划分,对采集的数据进行融合分析与处理;对系统分解单元进行分类,确定数据类型,并对各种不同分布类型的单元进行Bayes可靠性分析;利用系统综合方法对单元可靠性信息进行横向或纵向综合.利用金字塔式可靠性综合评定程序对系统可靠性进行评估,并通过仿真算例说明了评估方法的合理性.该方法为开展复杂系统的可靠性评定提供了实用的工程化手段,极具应用价值.     

一种新的基于SVM和主动学习的图像检索方法

在基于内容的图像检索中,支持向量机（SVM）能够很好地解决小样本问题,而主动学习算法则可以根据学习进程主动选择最佳的样本进行学习,大幅度缩短训练时间,提高分类算法效率。为使图像检索更加快速、高效,提出一种新的基于SVM和主动学习的图像检索方法。该方法根据SVM构造分类器,通过“V”型删除法快速缩减样本集,同时通过最优选择法从缩减样本集中选取最优的样本作为训练样本,最终构造出不仅信息度大而且冗余度低的最优训练样本集,从而训练出更好的SVM分类器,得到更高的检索效率。实验结果表明,与传统的SVM主动学习的图像检索方法相比,该方法能够较大幅度提高检索性能。     

基于投影寻踪和支持向量机的模式识别方法*

由于支持向量机(SVM)在处理小样本、高维数及泛化性能强等方面的优势,提出了一种基于投影寻踪(PP)和支持向量机的模式分类方法.利用PP方法把高维数据转换到低维子空间,同时用加速遗传算法获得最佳投影方向和投影值,揭示了高维数据的结构特征,然后在低维空间中用SVM对特征向量进行分类识别,并将其应用到银行信贷风险评估中.选用2005年度80家贷款申请企业的数据样本,对该模型进行验证,通过与神经网络模型的比较,证实了该方法用于模式识别的有效性及优越性.     

基于支持向量机的中文极短文本分类模型

为了有效提取极短文本中的关键特征信息,提出了一种基于支持向量机的极短文本分类模型。首先对原数据进行数据清洗并利用jieba分词将清洗过的数据进行处理;再将处理后的数据存入数据库,通过TF-IDF进行文本特征的提取;同时,利用支持向量机对极短文本进行分类。经过（1-0）检验,验证了模型的有效性。实验以芜湖市社管平台中的9906条极短文本数据作为样本进行算法检验与分析。结果表明在分类准确率方面,该方法相比于朴素贝叶斯、逻辑回归、决策树等传统方法得到有效提高;在误分度与精确度指标上匹配结果更加均衡。