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。     

小子样统计理论及IC可靠性评估

小子样IC可靠性评估方法显得越来越重要,传统的小子样可靠性评估是基于Bayes方法,其主要特点是可充分利用先验信息进行统计推断,近年来发展的支持向量机(SVM)在小子样可靠性评估中具有独特的优势,已在软件可靠性评估和可靠性预测方面取得了重要应用.将SVM与Bayes方法相结合并应用于小子样IC的可靠性评估,将大大节省IC可靠性评估的时间,有效地提高工作效率.     

基于序贯验后加权检验的计数抽样方法

针对小子样成败型产品抽样问题,结合序贯验后加权检验方法和一次计数抽样检验思想,提出一种基于序贯验后加权检验的计数抽样方法。结合Bayes理论,利用各种先验信息减少试验所需的样本容量,从而简便地制定抽样方案。通过算例进行对比分析,仿真结果表明,该方法适用于小子样条件下的抽样检验。     

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.     

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.     

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。     

Bayes方法在鱼雷系统可靠性试验与评定分析中的应用

通过研究发现,以往通常将布尔系统理论应用到鱼雷可靠性评定之中,这样就存在着很大的弊端,因为对于一些合格到不合格之间的过度状态无法完全考虑进来。针对这种情况,基于模糊数学的基本理论,我们提出了一种新的合格度计算方法,并且构建了一种模型,将试验结果用模糊数来表示,利用Bayes方法来科学评定鱼雷的可靠性水平。本文简要分析了Bayes方法在鱼雷系统可靠性试验与评定分析中的应用,希望可以提供一些有价值的参考意见。     

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.     

基于随机加权的Bayes方法在可靠性参数估计中的应用

在小子样条件下,通过随机加权重采样技术,获得兴趣变量的分布函数,将其作为先验信息与当前样本信息相结合,然后通过贝叶斯方法对可靠性参数进行估计。仿真算例证明,这种方法在进行可靠性参数估计时较经典参数估计方法有更高的精确性。     

捷联惯组验前分布随机加权分散融合估计

在小子样理论中,验前分布的获取与表示是一个关键问题.获取验前分布必须利用各种验前信息,而这些信息是在不同实验条件下得到的,针对同一对象可能获取多种验前信息,如何合理地利用这些验前信息给出验前分布,这样就出现了多源验前信息融合的问题.针对捷联惯性测量组合(捷联惯组)历次测试数据验前分布的获取问题,讨论了在异总体情况下,多种验前信息的融合问题.提出了通过随机加权分散融合法来实现多种异源信息融合,获取捷联惯组历次测试数据验前分布,从而减小了小样本情况下的统计分析误差.通过实例检验取得了良好的效果.     

小样本ATS测量不确定度评定方法研究

提出一种基于灰色系统理论和贝叶斯信息融合理论评定小样本自动测试系统（Automatic Test System,ATS）测量不确定度的新方法。该方法在已有测量不确定度灰色评定模型的基础上,引入灰色关联理论,建立新灰色评定模型,并引入贝叶斯信息融合思想,融合历史测量数据和当前测量数据的评定结果,得到最终测量不确定度。以某ATS测量链中具体的传递单元作为实例,按该方法计算测量不确定度,并将评定结果与其他常用方法评定结果进行比较,达到很好的一致性,且该方法评定小样本ATS静态测量得到的结果准确度高,评定小样本ATS动态测量,更符合其动态测量特性且计算量小。     

鱼雷寿命周期费用数据的采集与灰色处理方法

鱼雷寿命周期费用数据的采集与处理是进行鱼雷寿命周期费用建模的基础.简要介绍了鱼雷寿命周期费用的概念,讨论了鱼雷寿命周期费用数据采集的基本要求和内容,同时应用灰色系统理论对鱼雷寿命周期费用数据进行处理,即:在数据采集时收集了尽可能多的数据,须判断和费用有关的因素中是否有若干个因素关系十分密切,以致既能够用这些因素综合平均指标或用其中的某一个因素来代表这几个因素,又使信息不受严重损失.选择灰色系统理论的灰关联聚类方法进行分析.结果表明,提出的寿命周期费用数据的灰色处理方法,有利于建模时决定因素的取舍,为鱼雷寿命周期费用数据处理提供了有效的方法.     

融合全局与局部特征的贝叶斯人脸识别方法

针对人脸识别特征提取阶段中的数据降维方法往往难以兼顾保持全局与局部特征信息的问题，以及匹配识别阶段贝叶斯分类器中小样本问题，提出了一种融合全局与局部特征的贝叶斯人脸识别方法。该方法通过核主元分析提取出人脸数据的全局非线性特征，并在此基础上通过正交化局部敏感判别分析挖掘出人脸数据的局部流形结构信息，以达到提取出具有高判别力低维本质人脸特征的目的；采用一种最大信息量协方差选择的方法，来对协方差矩阵进行估算，以解决贝叶斯分类器设计中的小样本问题。在ORL、AR、 YALE、FLW人脸库上设计实验来进行验证。结果表明，提出的特征提取算法以及对贝叶斯分类器的改进取得了比较好的效果，通过对这两个阶段的优化，可以显著提升人脸识别的效果。     

小数据集的贝叶斯网络结构学习

针对直接基于小数据集贝叶斯网络结构学习不可靠, 以及目前对小数据集的处理只强调扩展而忽略对扩展数据的修正等, 提出了将扩展与修正相结合的小数据集处理机制, 以及在此基础上的基于结点排序和局部打分--搜索的贝叶斯网络结构学习方法. 可不需要完全结点顺序的先验知识, 但能够结合专家的部分结点顺序信息. 实验结果显示了这种方法的有效性和可靠性.     

Bayesian analysis of Birnbaum-Saunders distribution with partial information

In Bayesian analysis with objective priors, it should be justified that the posterior distribution is proper. In this paper, we show that the reference prior (or independent Jeffreys prior) of a two-parameter Birnbaum-Saunders distribution will result in an improper posterior distribution. However, the posterior distributions are proper based on the reference priors with partial information (RPPI). Based on censored samples, slice sampling is utilized to obtain the Bayesian estimators based on RPPI. Monte Carlo simulations are used to compare the efficiencies of different RPPIs, to assess the sensitivity of the choice of the priors, and to compare the Bayesian estimators with the maximum likelihood estimators, for various scales of sample size and degree of censoring. A real data set is analyzed for illustrative purpose.     

基于密度核估计的贝叶斯网络结构学习算法

贝叶斯网络结构学习算法主要包括爬山法和K2算法等,但这些方法均要求面向大样本数据集。针对实际问题中样本集规模小的特点,通过引入概率密度核估计方法以实现对原始样本集的拓展,利用K2算法进行贝叶斯网络结构学习。通过优化选择核函数和窗宽,基于密度核估计方法实现了样本集的有效扩展;同时基于互信息度进行变量顺序的确认,进而建立了小规模样本集的贝叶斯结构学习算法。仿真结果验证了新学习算法的有效性和实用性。