疲劳极限小样本评估方法

为了能够以少量的疲劳实验数据推定均值S-N曲线同时更好地评估材料疲劳极限,提出了使用小样本数据评估疲劳极限的方法.基于JSME建议的小样本疲劳实验方法获得14个应力-寿命数据;假设在不同的寿命下疲劳强度的分布与寿命无关且近似相同.基于线性累积损伤原理,将S-N曲线中折断点的应力数据等效换算为一组应力,根据换算后的应力值确定均值S-N曲线的最佳转折点寿命Nc后获得了均值S-N曲线和疲劳极限的分布.疲劳极限的评估结果表明,所提方法的评估结果与JSME建议的方法相比具有更高的置信度,因此该方法能更好地对小样本数据下的疲劳极限进行评估.     

结构性能试验建模中的统计不定性及其影响

结构性能的概率模型是设计中结构性能分析模型的基础,一般采用经典统计学中的矩法推断其中未知的计算模式不定性系数的概率特性.就一般的结构性能建模而言,其推断结果会受到显著的统计不定性的影响,并直接影响对结构性能概率特性的推断,存在因过高估计结构性能而导致额外失效风险的可能.论文根据一定置信水平下推断结果的相对误差,系统揭示了计算模式不定性系数推断中的统计不定性及其对结构性能推断结果的影响,并根据推断结果相对误差与样本容量之间的关系,提出需考虑统计不定性影响的条件以及试验建模中的最小试件数量.研究结果阐明了改进目前结构性能试验建模方法的必要性.     

小样本检验法

提出了适用于样本容量n≤16的“小样本检验法”。该方法不用查表,计算比较简单,在通常的实验次数(5～13)内,置信概率P≈99％。在n≤16时比简便准则的置信概率高,也比格拉布斯检验法好。     

指数分布产品的小样本可靠性参数评估方法

介绍了小样本可靠性参数评估的Bootstrap方法和随机加权法的基本思想,以及指数分布随机样本的Monte Carlo抽样过程;分析了指数分布随机观测样本的平均寿命估计的相对误差,研究了小样本情况下,相对误差的统计特性随样本量的变化关系及其分布情况,并对仿真结果进行了对比分析。     

火工品可靠性评估小样本试验方法综述

本文介绍了刘炳章等人基于功能裕度系数提出的一种针对航天火工品可靠性验证的“最大熵试验法”,荣吉利等人提出了一种在加严条件下评定火工机构可靠性的方法和已被国军标采纳并以GJB 6478-2008《火工品可靠性计量-计数综合评估方法》发布执行。     

改进关系网络的小样本图像分类方法

为提升小样本学习方法的泛化能力,在关系网络的基础上提出一种新的小样本图像分类方法。该方法在原关系网络的结构上进行改进,通过引入inception块增强网络的特征表达能力,同时改进原关系网络中用于相关性计算的激活函数和损失函数,从而实现更好的信息流动,有利于模型的训练,并且使模型具有更好的泛化能力,有效提高小样本图像分类的准确度。在Omniglot、MiniImagenet以及TieredImageNet三个常用小样本学习数据集上进行实验,结果表明：改进的网络比原关系网络模型的分类准确率高,可以有效增强模型的泛化能力。     

小样本情况下参数区间估计的改进方法

小样本情况下实验数据的概率分布较难确定,传统小样本估计方法无法提供准确的参数估计;针对工程上常用的Bayes Bootstrap方法对小样本可靠性参数估计仅仅是原样本的重复,在参数区间估计上精度不够高的问题;在不改变原样本数据的基础上,依据时间序列将原样本分组并扩充,对扩充后的样本进行参数点估计和区间估计,提出针对小样本情况下参数区间估计的改进方法,给出了改进方法的算法。运用蒙特卡罗仿真方法进行建模仿真,结合具体算例分析,验证新方法对小样本情况下参数的区间估计精度有显著提高。     

自适应局部关系网络的小样本学习方法

针对基于度量学习的小样本学习方法中嵌入模块泛化能力差、提取图像级表征可能会损失大量辨别信息的问题,提出一种自适应的局部关系网络。该网络引入一个自注意力机制,使嵌入模块能够提取到每个类别特定的信息,将信息从任务无关的泛化概念转化为任务相关的独有特征;同时引入局部描述子的思想,每个局部描述子对应图片中的一个区域,通过局部描述子将关注点放在图像与类别之间的比较,有效消除类内差异和背景混淆,再将局部描述子与一种非线性的度量方式进行融合,应用改进的损失函数对图片进行分类识别。在MiniImagenet和Omniglot两个小样本学习常用数据集上的实验表明,改进算法能够高效地提高分类准确率。     

基于滑动特征向量的小样本图像分类方法

针对在小样本图像分类中,几个样本的特征图不足以描述整个类特征空间,导致误分类的问题,提出了滑动特征向量神经网络(SFV),该方法通过集合同类样本的滑动特征向量构建类特征空间,并利用样本-类的特征向量度量方式分类查询样本。SFV融合了特征块的边缘信息以及位置结构的相关性,最大限度地利用深层特征信息的同时扩充了类特征空间。实验表明:在各数据集中SFV均能取得不错的效果,在细粒度数据集上,达到了最佳精度。     

拉伸羊毛的结构性能研究

对70^s原毛条、70^s国产拉伸毛条、70^s日本拉伸毛务、80^s原毛条、80^s国产拉伸毛条和山羊绒进行比较研究，认为拉伸羊毛的细度、鳞片间距和形态接近山羊绒，但鳞片厚度和翘角与山羊绒差距较大，日本拉伸羊毛稍好，但有剥蚀痕迹，与原毛相比，拉伸羊毛摩擦系数增大，力学性能变好，细度增加，吸湿性能发生了较大变化。     

陶粒混凝土砌块砌体的结构性能

本文通过陶粒混凝土空心小砌块砌体的各项静力性能试验,分析了这种轻型墙体的特性,提出了工程应用计算方法,为编制黑龙江省技术规程提供科学依据。     

考虑小样本统计的BP神经网络配电系统可靠性预测方法

传统服务于系统规划的可靠性分析方法,由于多基于逻辑推理或统计分析,需要以足量‘故障停电’事件匀质样本为建模保障,在面对配电系统结构动态变化以及稀少数据环境时,难以对指标进行精确估计。在此背景下,提出一种考虑小样本统计的BP神经网络配电系统可靠性指标预测方法。为保证神经网络训练样本的充足性,并保留小样本自身的统计规律,该文提出并比较Bootstrap和核密度拉丁超立方采样2种小样本增广技术,基于扩充后的样本对具有相同结构的神经网络模型进行参数训练,利用所得的神经网络对可靠性指标进行预测的精度作为选择合适扩充技术与神经网络结合的依据。通过预测用户年均停电时间的算例分析表明,利用Bootstrap小样本扩充技术和BP神经网络相结合的方法在小样本统计条件下具有更高的预测精度。     

基于小样本下统计不确定性的边坡可靠度Bootstrap-BC_a方法

传统方法对小样本下的岩土抗剪强度参数估计区间较宽,会导致工程设计偏于保守,为此,提出一种考虑测量数据统计不确定性的边坡可靠度分析Bootstrap-BC_a法。该方法在Bootstrap的基础上加入偏差修正量■和加速量a,进一步校正了置信区间的端点值,提高了估计精度。在保证样本容量和变异性一致的条件下,对比分析Bootstrap-BC_a法和Bootstrap法在95%置信水平下的置信区间以及相对应的安全系数估计值。结果表明:Bootstrap-BC_a法能够有效收窄区间宽度且保证率下限值更趋近实际值;Bootstrap-BC_a法计算所得边坡安全系数均值相对较大,离散型更小,且与样本容量成正比,与安全系数方差成反比;3种变异水平的安全系数均值都随着样本容量n的增大而增大,而安全系数方差则逐渐减小,且大变异水平下计算所得安全系数均值更大。     

小样本条件下基于Bayes方法的装备状态评估

针对小样本条件下单纯采用使用期无法准确衡量装甲装备技术状况的问题,本文以装甲车辆发动机状态评估为例,分析了小样本条件下,装备各技术状况等级特征参数分布及其有效性和适用性。同时,采用Bayes决策法,从装备属于各技术状况等级的概率和错判风险两方面出发,对装备状态进行评估。评估结果表明,利用两种Bayes方法均能准确评估发动机技术状况,评估准确率达90%以上,并且基于最小风险的Bayes评估方法具有更好评估效果,评估准确率较高,符合装甲车辆技术状况随使用时间增加而逐渐变差的一般规律。该方法在装备状态评估中具有实用性及可行性。     

高效油水分离器结构性能研究

油水分离器的结构性能是污水除油技术中的一个关键问题,长期以来受到研究者的高度重视,通过对污水除油技术的强化分析,设计采用斜通道波纹板填料作为内部分离组件的新型油水分离器,由于液流在组件内的流动形态提供了频繁的油滴之间碰撞聚结和油滴在波纹板上上粘附聚结机会,通过对实验模拟装置的结构性能研究,该分离器具有较高的分离效率和较好的结构性能。     

基于循环编码生成对抗网络的小样本辨识方法

针对在特殊领域中小样本数据难以通过训练被分类管理的问题,提出一种基于循环编码生成对抗网络的小样本辨识方法.首先,对小样本进行混叠循环编码,建构包含小样本深层信息的隐向量;然后,搭建一种循环生成对抗网络模型,对小样本生成扩充并通过极限学习机网络进行训练辨识;最后,结合算例,与传统生成对抗网络、深度信念网络及合成少数类过采...     

基于稀疏注意力关系网络的小样本图像分类方法

针对小样本图像分类问题,从卷积操作的局部连接性和基于非局部操作的注意力机制出发,提出了稀疏注意力关系网络(SARN)模型。在非局部操作过程中,利用稀疏策略筛选参与响应计算的相关特征。通过稀疏注意力机制构建不同空间位置相关特征之间的依赖性,切断语义无关特征之间的联系。后续卷积操作对不同空间位置的语义相关特征进行度量,抑制了无关信息的干扰,提高了模型的整体度量能力。通过在Mini-ImageNet和Tiered-ImageNet数据集上进行的一系列实验发现,相较于其他小样本学习模型,SARN模型的性能获得了显著提升。     

基于元学习的小样本图像非对称缺陷检测方法

以准确检测小样本图像非对称缺陷为研究核心,提出基于元学习的小样本图像非对称缺陷检测方法。使用基于调制度的小样本图像自适应滤波方法,去除小样本图像的噪声,优化小样本图像质量;通过基于边界检测的滤波后小样本图像缺陷特征提取方法,提取滤波后小样本图像缺陷特征;将所提取特征作为基于改进元学习的小样本图像非对称缺陷特征检测方法的检测样本,实现小样本图像非对称缺陷检测。实验结果表明：本文方法对小样本图像滤波效果较好,检测多种非对称缺陷时,当小样本图像缺陷特征数量增多后,本文方法的检测结果交并比最小值是0.9,交并比数值理想,可准确检测小样本图像非对称缺陷。     

极值风浪联合概率模型参数估计的简化方法

介绍了多变量极值理论及在其基础上建立风速和有效波高的极值联合概率分布参数估计过程复杂，而且对工程师有较高的要求，因而不便于工程应用。通过相关系数估计该分布的相关模型参数的方法，推导了相关样本产生及其相关系数的检验方法；通过该方法产生相关样本，分析得到了风速和有效波高间相关系数对其极值变量的Logistic相关模型参数的影响规律，建立了它们之间的函数关系式。根据该公式可大大简化风速和有效波高极值联合概率分布的参数估计，使基于多变量极值理论的极值风浪联合概率模型实用化。