窄带混合高斯噪声下的最佳检测

得到加性窄带混合高斯噪声中确知信号的最佳阈值检测器,通过仿真验证模型的有效性.     

高强钢激光电弧复合焊接温度场的数值模拟与试验研究

目的 对厚度为12 mm的HG785D高强钢进行复合焊接,获取最佳焊接工艺参数,建立适用于激光-MIG(Metal Inert Gas Welding)复合焊接的热源模型.方法 采用激光-MIG复合焊接方法进行焊接试验,建立适用于HG785D高强钢激光-MIG复合焊接的"高斯锥形体+均匀锥形体+高斯柱形体"复合热源模型...     

基于高斯混合模型的非高斯随机振动幅值概率密度函数

针对非高斯振动信号的幅值概率密度函数难以用数学模型表述的问题,提出了基于高斯混合模型的非高斯概率密度函数表示方法。首先,基于时域样本信号得到非高斯振动信号的高阶矩估计值。其次,基于高斯随机过程偶次高阶矩之间的定量关系,结合二阶高斯混合模型建立方程组,求解得到混合模型中每个高斯分量的方差和权值。然后,将各高斯分量的权值和方差代入高斯混合模型,得到适用于对称非高斯振动信号的幅值概率密度函数。最后,通过仿真信号和实测振动信号,验证了该方法的有效性和适用性。     

基于高斯过程响应面的结构有限元模型修正方法

作为一种基于贝叶斯原理的非参数模型,高斯过程模型近年来得到研究人员的广泛关注。高斯过程具有灵活的协方差函数形式、预测精度高和量化预测不确定性等优点。基于此,本文提出了一种基于高斯过程响应面的有限元模型修正方法,并介绍了高斯过程响应面方法的基本理论。算例结果表明,相对于传统参数型响应面方法,高斯过程响应面方法应用于有限元模型修正更具优势。     

偏斜非高斯随机振动信号幅值概率密度函数研究

偏斜非高斯振动信号幅值概率密度没有明确、简洁的解析表达式。研究概率密度的解析表达式,对于非高斯振动理论研究具有重要意义。针对以上需求,提出了一种基于高斯混合模型的概率密度函数表示方法。首先,通过时间样本序列得到偏斜非高斯振动信号前五阶矩的估计值。其次,根据平稳高斯随机过程各阶矩之间的定量关系,结合二阶高斯混合模型的数学表达式建立方程组,求解得到混合模型中每个高斯分量的均值、标准差和权重系数。然后,将每个高斯分量的参数代入高斯混合模型,得到偏斜非高斯振动信号的幅值概率密度的解析表达式。最后,将所提出的方法应用于仿真非高斯加速度信号和实测非高斯振动应力信号,充分验证了该方法的有效性和适用性。     

一种新的非高斯随机振动疲劳寿命估计方法

构造了非高斯修正系数的多项式响应面模型,提出了一种基于高斯近似的非高斯随机振动疲劳寿命估计方法。采用Winterstein传递函数法将非高斯随机应力转化成高斯随机应力,并联合雨流计数和Miner损伤准则分别估算两种随机应力下的累计损伤和谱矩,对多个样本进行最小二乘拟合之后构建一个关于应力谱矩和非高斯修正系数的多项式响应面模型。利用高斯近似法估算非高斯随机振动疲劳损伤量,并与经过雨流计数和Miner损伤准则估算的非高斯随机过程下疲劳损伤对比,结果表明:高斯近似法具有较好的精度。     

混合高斯概率密度模型参数的期望最大化估计

混合高斯模型是对非高斯数据进行概率密度拟合典型模型,其参数估计可以通过期望最大化(EM)迭代算法获得。多维混合高斯模型参数的EM估计因结构庞杂而难以求解,而对主动检测背景的统计特性拟合来说,一维的混合高斯模型一般即已足够。描述了该情形下的混合高斯模型及其参数估计问题之后,导出了一种工程实用的、简化的EM迭代算法,并给出了可计算机编程实现的算法流程图。然后详细探讨了对EM估计精度与速度有着重要影响的参数初始化问题,给出了三种可选择的初值设置方案:高速度方案、高精度方案和二者的折衷方案,并分析了它们各自的适用场合。最后,结合一组数值仿真实例,演示了EM迭代算法的良好的混合高斯模型参数估计性能。     

非高斯风压时程的矩模型变换与峰值因子计算公式

利用Hermite矩模型理论建立了非高斯过程与高斯过程之间的单调变换关系;非高斯过程与高斯过程的极值发生概率相等,界限穿越率相等,这为非高斯风压峰值因子、风压极值的计算奠定了基础。在介绍软化过程、硬化过程和偏斜过程的Hermite矩模型理论的基础上,采用偏斜系数、峰态系数表明了矩模型的单调变换范围,由此可根据偏斜系数、峰态系数预先确定Hermite矩模型的变换公式和变换阶数。建立了非高斯过程峰值因子的概率分布表达式,明确了非高斯峰值因子与高斯峰值因子之间的一一对应关系。将非高斯极值概率分布及峰值因子计算方法应用于平屋盖局部风压峰值因子、风压系数极值的计算。结果表明:非高斯风压的峰值因子、风压系数极值的计算值的平均值与实测值的平均值吻合,风压系数极值的吻合程度优于峰值因子的吻合程度。     

非高斯风压极值估计:基于无可行区限制的传递函数对比研究EI北大核心CSCD

非高斯风压的极值估计对建筑围护结构抗风设计是极其重要的。由于简便性和无可行区限制,基于矩的piecewise HPM(PHPM)、Johnson转换模型(JTM)和piecewise JTM(PJTM)常用于非高斯风压极值估计。现阶段,PJTM对非高斯风压极值的估计效果还缺乏系统的研究,且对于三种无可行区限制模型的极值估计差别尚不明确。为探明三种模型的差别,从而提供一定的选择原则,该文系统对比了三种模型估计非高斯风压极值的精度。该文从理论上对比了三种模型的母本概率密度函数和传递函数;选用超长风洞试验风压数据对三种模型估计非高斯风压极值的精度进行了评估。结果表明:PHPM对非高斯风压(负偏度)极小值的估计精度比PJTM和JTM高,PHPM和PJTM对非高斯风压(负偏度)极大值的估计精度比JTM高。     

基于平稳非高斯结构响应前四阶矩的首次穿越概率计算

发展了一个平稳非高斯结构响应的首次穿越概率解析方法。在该方法中,基于已得到的平稳非高斯结构响应的前四阶矩(均值、标准差、偏度和峰度),分别利用Winterstein(1994)模型与Ding和Chen模型的等效高斯分位数,以及平稳非高斯结构响应的界限水平,将软化与硬化非高斯结构响应映射为标准高斯过程;进而利用考虑初始条件与群超效应的平稳高斯结构响应的Poisson模型来实现平稳非高斯结构响应的首次穿越概率计算。算例对比分析验证了该修正方法的有效性和准确性,同时相比蒙特卡洛模拟提高了计算效率,为计算平稳非高斯结构响应的首次穿越概率提供了高效合理的工具。     

激光光学系统的球差

依据斯特列尔判断，采用解线性方程组的方法讨论了高斯光束初级和高级球差的最佳校正形式，并以表格方式给出了最佳校正形式。讨论了按照均匀光波最佳校正形式对高斯光束进行像差平衡时的中心点亮度变化，研究表明，在工程实际中，采用普通光学系统的像差平衡理论对激光光学系统进行设计是完全可行的。     

混合高斯参数估计的动态簇算法

混合高斯概率密度模型可以很好地拟合非高斯样本的概率密度。在各高斯分量概率密度互不重叠的条件下,使用动态簇算法可以快速而精确地估计出混合高斯概率密度模型参数。这是一种基于最小均方差原则的递推算法,在正向推导出各种可能的簇边界后,再根据确定的最末边界值逆向推定各前导簇边界,从而得到混合高斯概率密度模型参数估计值。描述模型及参数估计问题之后,动态簇算法被推导出来。然后深入探讨了该算法的实质及适用条件。最后结合数值仿真实例,分析了动态簇算法的估计性能。     

基于高斯粒子滤波的当前统计模型跟踪算法

对于非线性系统估计问题,高斯粒子滤波器可以获得近似最优解,与粒子滤波器相比其优点是不需要重采样步骤和不存在粒子退化现象.采用高斯粒子滤波代替当前模型自适应跟踪算法中的卡尔曼滤波,将高斯粒子滤波与当前统计模型的优点相结合,提出了一种新的当前统计模型自适应跟踪算法,用于非线性非高斯系统的机动目标跟踪.MonteCarlo仿真表明,该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法,实时性好于交互多模型粒子滤波算法.     

基于重训练高斯混合模型的语音转换方法

基于高斯混合模型的语音转换方法是语音转换中比较成功的方法之一,但基于高斯混合模型的转换方法训练过程复杂,训练时间长,需要大量的训练语音,这些都影响了它的实用性。对于传统高斯混合模型训练中的问题进行了分析研究,提出了训练过程中一个改进的方法（即二次训练法）,实验分析证明这个方法能有效提高模型训练速度,改善转换系统性能。     

基于矩的传递函数模型的“不兼容”非高斯风压过程模拟研究

非高斯风压的准确模拟对于建筑结构抗风设计非常重要。由于简便性,基于矩的Hermite多项式模型(HPM)和Johnson转换模型(JTM)常用于非高斯风压模拟。在实际模拟中,由两种模型表示的概率分布与非高斯风压目标功率谱可能出现“不兼容”。现阶段对于HPM和JTM出现不兼容的难易程度差异尚不明确,两种模型出现不兼容情况时模拟“不兼容”非高斯风压的效果亦不清楚。基于此,该文章系统全面地研究了HPM和JTM出现不兼容的难易程度和模拟“不兼容”非高斯风压的效果。首先,介绍了基于HPM和JTM模拟“不兼容”非高斯风压的方法;其次,从理论上对比了两个模型出现不兼容情况的异同;最后,基于数值案例系统对比和评估了两种模型模拟“不兼容”非高斯风压的效果。结果表明：随着偏度增加,基于HPM和JTM的非高斯模拟更易出现不兼容;JTM对“不兼容”非高斯风压的模拟效果稍好于HPM。     

非高斯风压峰值因子估计:基于矩的转换过程法的对比研究

建筑围护结构抗风设计需要准确估计非高斯风压极值或者峰值因子。对于非高斯风压峰值因子估计,常用的基于矩的转换过程法有Hermite多项式模型（HPM）、Johnson转换模型（JTM）及平移广义对数正态分布（SGLD）模型。极值通常由母本概率密度函数（PDF）的尾部决定,现阶段对于三种模型基于相同前四阶矩预测的非高斯母本PDF尾部的差别尚不清楚,自然,对于这三种模型预测的极值或者峰值因子的差别尚无答案。为了探明三种模型的异同,从而提供一定的选取原则,该文就三种方法对非高斯风压峰值因子估计效果进行了系统的对比研究。首先从理论上对比了三种方法预测得到的母本PDF的差异和估计的峰值因子差别;其次,选用长时距风洞试验风压数据检验了三种方法对非高斯风压峰值因子的估计效果。结果表明在三种模型都适用的偏度和峰度组合范围内,HPM对非高斯风压峰值因子估计结果相比SGLD模型和JTM模型估计结果更准确。     

基于AR和ARMA模型的多变量非高斯风压模拟

基于多变量非高斯随机过程间的相关性,将发展的单变量非高斯过程自回归和自回归滑动平均(AR和ARMA)模型模拟算法扩展至多变量非高斯过程的数值模拟。通过AR和ARMA模型系数考虑多变量非高斯过程间的相关性,建立多变量非高斯过程AR和ARMA模型的模拟算法。多变量非高斯风压的数值模拟表明:AR和ARMA模型算法能有效地模拟低斜度、中斜度和高斜度的多变量非高斯随机过程。     

基于改进高斯混合模型的运动物体的图像检测

传统的高斯混合模型在RGB色彩空间只对孤立像素建模,检测结果不够准确,存在拖影现象,检测到的运动物体内部容易出现空洞.针对这些问题,本文提出了一种改进的高斯混合模型.该方法从更符合人眼视觉特性的HSV色彩空间对中心像素和周边像素构成的向量进行建模,改善了原算法的性能;利用彩色分割算法提取连通区域,充分地利用了运动物体的彩色信息,并基于Phong物体光照模型进行了阴影抑制,提高了传统高斯混合模型检测的准确性.实验结果表明,与传统高斯混合模型相比,本算法能更精确地检测出运动物体,对光照变化和阴影具有鲁棒性.     

基于时变AR模型的非平稳非高斯随机过程的数值模拟

为了有效地模拟具有目标非平稳、非高斯特征的随机过程,提出了基于时变AR模型的非平稳非高斯随机过程的模拟方法。该方法首先需要建立实现非高斯与高斯随机过程之间相互转换的非线性平移关系,然而该非线性平移也会导致平移前后高斯与非高斯随机过程的功率谱发生变化。因此该方法还需要进一步建立平移前后高斯与非高斯随机过程的功率谱或相关函数的转换关系。然后,通过已建立的非线性平移,以及功率谱或相关函数的转换关系,可将非平稳非高斯随机过程的模拟转化成对非平稳高斯随机过程的模拟。而非平稳高斯随机过程可通过建立的时变AR模型进行有效的模拟。最后将具有目标非平稳、非高斯特征的脉动风速模拟作为数值算例,验证了该方法模拟非平稳非高斯随机过程的有效性。     

混合高斯概率密度模型动态簇算法参数估计

混合高斯概率密度模型可以很好地拟合样本的概率密度。在各高斯分量概率密度互不重叠的条件下，使用动态簇算法可以快速而精确地估计出混合高斯概率密度模型参数。这是一种基于最小均方差原则的递推算法，在正向推导出各种可能簇边界后，再根据确定的最末边界值逆向推定各前导簇边界，从而得到混合高斯概率密度模型参数估计值。算法介绍之后，给出了两个拥有不同概率密度分布的仿真建模实例．最后总结分析了该算法的优劣，并简介了算法的推广．