基于云概率密度分布估计的大坝监测数据分析

大坝运行监测易受自然环境和监测条件影响，存在时间和空间上的变异性，监测数据具有不确定性。以云理论的随机性和不确定性分析方法为基础，并与空间数据辐射思想相结合，建立了云滴概率密度分布估计模型，然后导出云概率密度分布函数，依据样本监测数据推求母体空间数据的分布特征，并设计了基于逆向云算法云变换的计算程序。分析陆浑水库1979~1999年测压管监测数据和位移变形数据的云概率密度分布特征和云数字特征，得出了20 a来大坝的数据分布特征和运行状态。监测数据分析结果表明，云概率密度分布估计不仅能有效合理地分析大坝的运行状态，而且能够依据云数字特征来判断监测状态和监测环境的异常变化。      

对增量CRL应用的一些研究

本文对PKIX依从系统中增量CRLs的应用进行了一些研究，包括：增量CRL的时间跨度对性能的影响及其最优选择；基于完全CRL与增量CRL检查证书状态以及构造新的完全CRL的算法。     

固溶处理对电解制备的A356合金硅颗粒的影响

以电解低钛铝基合金为原料制备了A356合金,研究了在535℃下固溶处理时间对合金共晶硅相细化、球化和分布的影响.测量了硅颗粒的长径和短径,计算了颗粒的直径和长短径比值等参数,分析了上述参数随固溶时间的变化及其概率密度分布.实验结果表明:由该电解合金制备的A356合金经2～4 h的固溶处理,共晶硅就可得到较好的细化和球化效果,具有较高的分布集中度;A356合金的固溶处理时间可有效缩短.     

印刷哈萨克斯拉夫粘连字符的切分方法

哈萨克斯拉夫图像文本经过行切分和列切分后,存在水平方向接触和垂直方向重叠的粘连字符。为提高字符识别率,依据字符连通域的最小外接矩形切分开垂直方向重叠的粘连字符图像块;利用判决条件:字符宽度概率密度分布图、字符图像块垂直投影的波峰数目和字符图像块垂直投影波峰的对称性,分离初始粘连字符图像块中正确的单个字符图像块和实际接触的粘连字符图像块;在允许的字符宽度范围内,寻找粘连字符图像垂直投影图的极小值点,以切分实际接触的粘连字符。实验结果表明,该方法泛化能力较好且识别率有明显提高。     

降膜波动特性的研究

本文提出了一种测定膜厚的新方法－双电导探针法，测定了高湍流降膜的厚度沿降膜管管程的变化情况，探讨了径向平均膜厚及膜厚的概率密度分布沿管程的变化规律，证明降膜的波动特性同时受到液相雷诺数和管程的影响。并对平均膜厚和液相雷诺数作了经验关联，得出NT＝（δ^ )^2/3 [8.92(ReL/4)^5/2 6.0×10^-6(ReL/4)^9/2]^2/15。     

基于多站大气电场的雷暴云等效电荷混合反演算法

为了能够利用地面电场资料对雷暴云等效电荷进行反演,提出了一种雷暴云等效电荷混合反演算法。该算法通过镶嵌混合结构形式将粒子群法和牛顿法相结合,并构造混合概率函数来控制混合时机。给定雷暴云电荷结构参数,在正演结果基础上对雷暴云等效电荷进行反演,结果表明:该混合反演算法的全局搜索性强,能有效地解决对初值的选取问题,并能得到更精确的反演结果;单纯的串行混合结构计算时间短但是反演的效果不佳,镶嵌混合结构能较好地体现两算法的优势;构建混合概率密度函数能够较好地提高整体计算效率。     

基于最小错误率和快速水平集的图像分割

提出一种基于最小错误率和快速水平集的图像分割方法,通过对速度项和停止条件的重新设计,实现了快速而有效的图像分割。算法采用模式分类思想,以统计直方图来近似目标和背景区域的概率密度,对基于最小错误率的判别函数进行平滑滤波以获得外部速度,从而实现曲线的进化;同时,分割过程在分类错误率达到最小时停止。实验结果表明,本文算法对弱边缘、低对比度灰度图像具有较好的分割效果,且具有较强的抗噪性能;在分割速度上,本文算法也明显优于几种已有算法。     

基于粒子滤波的数字信号解调器

传统的数字信号解调方法存在着载波恢复、符号同步等问题,实现起来较为复杂。粒子滤波是从概率统计的角度出发,使用一个具有相应权值的随机样本集合来表示需要的后验概率密度。因此以接收信号的幅度、载波频率、相位为待估计参数矢量,应用粒子滤波算法可以实现对数字信号的解调,通过仿真验证了该方法的有效性,相对于传统方法更为方便。     

基于邻域风险最小化概率密度估计的自适应盲分离算法*

为实现由不同统计特性和概率分布平滑特性信号得到混合信号的盲分离,对基于支持向量机的邻域风险最小化概率密度估计算法进行研究,提出一种邻域函数的构造方法,将其与自然梯度批处理算法相结合,形成一种新的自适应盲分离算法;利用广义高斯模型分析了分离算法的精确度。通过仿真实验,验证了该算法能分离统计特性不同的混合信号,相比于基于经验风险最小化的方法,该方法在收敛速度和精度方面的性能有很大提高。     

基于LPD-NMF的多模态过程监视

为了提高NMF方法在方差差异明显的多模态过程中的监视效果,提出一种基于LPD-NMF的多模态过程监视方法.对多模态过程训练数据运用局部概率密度(LPD)进行预处理,消除方差差异明显的多模态特性.运用非负矩阵分解算法进行降维和局部特征提取,计算每个低维样本与其k个近邻欧氏距离的平方和,使用核密度估计(KDE)算法来确定控制限进行多模态过程监视.将该方法应用于数值例子和半导体数据,结果表明,其过程监视结果优于常规kNN、WkNN和LPD-kNN方法.