平面度误差原始测量数据的平差处理及微机数据处理

本文介绍了平面度误差原始测量数据平差处理的方法,给出了微机数据处理的高级语言程序的流程框图,将平差处理的计算结果与按平板检定规程计算的结果进行了比较,并分析了两种处理方法的精度。     

测量数据中色噪声处理方法探讨

针对经纬仪对高速运动目标测量数据的色噪声处理问题进行了分析探讨。介绍了目前对经纬仪测量数据随机误差进行处理的常用方法,指出了该方法对色噪声处理存在的问题,在对测量序列相关性采用差分方法进行分析的基础上,提出了对色噪声数据采用的两种处理策略——非相关转换法和相关数据平滑法,详细介绍了两种处理策略的计算过程和方法,并通过实测数据的处理实例,验证了所提出处理策略的有效性和合理性,最后对两种方法的特点进行了比较分析。     

基于特征点识别的头部姿态计算

为了提升使用随机回归森林进行头部姿态分析的精度,提出了一种基于特征点识别分析头部姿态的计算框架.考虑到高误差投票的干扰,该计算框架以随机森林的特征点识别为基础从而避免异常投票干扰,将头部姿态计算问题转换为空间鼻尖特征点和朝向特征点的识别问题.在随机森林的训练中,决策函数使用了高斯曲率和平均曲率作为图形特征,根据微分熵的信息增益在随机生成的决策函数库中搜索最优化决策函数.在训练完成的随机回归森林的叶子节点中,通过分析保存的样本数据,可以得到目标特征点的高斯分布估计.根据实验测试结果,在适当的阈值设定的情况下,该方法可以实现较高的识别成功率,使用曲率后明显提高了识别精度,能够在一定程度上处理有遮挡的数据,并且该方法已经成功应用于虚拟座舱的实时头部姿态分析计算系统.     

微波正切关系网络精密测量的计算机辅助数据分析

提出了处理无耗正切关系网络测量数据的统计回归数学模型。在计算机辅助分析下,用此模型处理大、中、小反射情况下的测量数据。结果表明,此数学模型是正确的。这个模型为测量线法正切关系网络的测量技术提供了精密快速的处理方法,还对已有的小反射情况下的正切关系网络近似式的适用范围进行了分析,并与本文提出的方法进行比较。结果表明,本文的数学模型包含了近似法的适用范围,可以适用于任意反射情况下无耗正切关系网络参数的计算。     

多元线性回归的预测建模方法

根据历史的样本数据,建立多元线性回归的预测模型;从而在不需要未来样本数据的情况下,预测未来时刻多元线性回归模型中的回归参数,以及主要的模型精度评估指标.对多元线性回归模型参数的预测,转化为对其变量集合的增广矩阵的叉积阵的预测.对叉积阵进行谱分解,利用高维群点主轴旋转的预测建模方法,通过Givens变换得到特征向量矩阵的转角值,对自由取值的转角以及特征值建立预测模型.仿真实验例示了该方法的主要计算步骤;计算结果显示,利用本模型得到的拟合值精度较高,预测值真实可信.最终计算结果和实验结果吻合较好,表明这种方法可以用于分析和预测众多领域中因变量对自变量的回归关系问题.      

一类由星下点反算卫星近圆回归轨道的方法

提出了一类近圆回归轨道的设计方法,解决当飞行任务对星下点有要求时,近圆回归轨道的设计问题。分析了星下点轨迹与轨道参数的关系,概括为当对星下点轨迹有要求时,近圆回归轨道的设计依赖于轨道半径和轨道倾角两个参数的确定。以轨道半径和轨道倾角为未知量依据星下点轨迹要求条件构建了非线性方程组,但直接求解过于复杂,采取迭代的方法解决。编制了MATLAB程序进行设计计算,并将计算结果用软件STK(Satellite Tool Kit)进行仿真。仿真结果显示,该算法能够较好的实现设计目标。     

不连续观测数据对计算的原子钟稳定度影响研究

为评估原子钟稳定度,通常采用连续的、均匀的采样数据计算阿伦方差或哈达玛方差。在实际工程计算中,由于观测粗差剔除、测量仪器中断、卫星不可见等原因,经常导致原子钟的观测数据在时间上不连续,给原子钟稳定度评估带来影响。文中比较了不连续观测数据的几种常用处理方法,包括线性插值补齐、B样条插值补齐、不插值直接计算哈达玛方差等方法,分析了各处理方法对阿伦方差和哈达玛方差的计算影响,研究中断数据长度与稳定度评估的影响关系。采用的氢钟观测数据,对不连续观测数据的影响和处理效果进行统计和分析,将稳定度计算结果、计算精度损失比与理论分析进行对照和检验,得出了有益的结论。     

阻抗测量中的一种复数计算工具

介绍了一种应用于阻抗测量的复数计算工具--Excel复数计算函数。Excel和其它工具相比,如Matlab,LabVIEW,具有操作方便灵活、函数库丰富、对控制软件接口方便等优点,非常适用于非编程人员进行复数计算。以“对阻抗测量仪器进行开短路数据补偿”为例,具体介绍了利用Microsoft Excel 2007处理复数计算的方法。该方法操作非常简便,容易掌握,无须进行烦琐的编程,随着电脑和Excel软件的普及,本方法具备了推广和应用的可能。     

成分数据的空间自回归模型

针对已有成分数据线性回归模型对研究对象相互独立的严格要求,提出了含有成分数据和普通数据的空间自回归模型,在此基础上提出了成分数据空间自回归模型的估计方法。新模型结合了空间自回归模型处理因变量之间相互依赖的优势,可同时处理成分数据和普通数据。通过利用等距对数比（ilr）变换将成分数据解约束,得到了新模型的参数估计量。蒙特卡罗模拟实验验证了所提估计方法的有效性。      

区域覆盖特殊椭圆轨道星座优化设计

分析了椭圆轨道的优良特性,它可集中覆盖地面上某一指定纬度带或区域.阐述了临界倾角太阳同步回归轨道这种特殊椭圆轨道的设计方法,总结了其轨道要素的计算步骤.探讨了临界倾角太阳同步回归轨道星座的设计思路,指出了影响星座对目标覆盖性能的关键参数是各个卫星通过目标上空的时刻.介绍了用遗传算法进行星座优化设计的数学模型,利用遗传算法进行了优化设计.讨论了优化结果的统计规律,符合该规律的星座就是本文所研究的特殊椭圆轨道星座,星座性能分析结果表明这种星座适用于区域覆盖.      

基于Gram-Schmidt过程的多项式回归建模方法

多项式回归模型是一种常用的非线性回归方法.由于在多项式回归模型中,自变量之间往往存在较强的相关关系,采用普通最小二乘回归方法来估计回归系数会存在较大的计算误差.为了提高多项式回归模型的预测准确性和可靠性,提出一种基于Gram-Schmidt过程进行多项式回归的建模方法,可以实现自变量集合的正交化,克服自变量集合多重共线对回归建模的不良影响,从而有效地运用最小二乘建立回归模型.同时可以进行信息筛选有效选取对因变量有显著解释作用的自变量,排除自变量中的冗余信息.采用仿真数据分析,检验了该方法的有效性.      

连续谱数据的函数型主成分回归

对连续谱数据不做离散化处理,而是将光滑后的连续谱作为连续曲线,进行函数型主成分回归分析,以期获得既可降维又能减少信息损失的回归方程.在此建模过程中,还引入连续谱的导数曲线作为协变量,并给出函数型主成分回归系数的bootstrap置信区间.作为实证研究,对玻璃样品的X射线谱和样品中硅元素含量进行回归分析.研究结果表明,基于函数型主成分的回归分析对响应变量具有较强解释能力,同时其回归系数更加符合数据本身的特点,显示出新方法所具有的优越性与实用价值.      

Gram-Schmidt回归及在刀具磨损预报中的应用

多元线性回归是一种应用广泛的统计分析方法.在实际应用中,当自变量集合存在严重多重相关性时,普通最小二乘方法就会失效.为解决这一问题,利用Gram-Schmidt 正交变换,提出一种新的多元线性回归建模方法——Gram-Schmidt回归.该方法可实现多元线性回归中的变量筛选,同时也解决了自变量多重相关条件下的有效建模问题.将该方法应用于机械加工过程中刀具磨损的预报分析,有效地进行了变量筛选,并得到了解释性强同时拟合优度也很高的模型结果.      

基于函数型数据的广义线性回归模型

函数型数据的回归分析研究主要集中在函数型线性模型。不要求因变量为连续型随机变量,可以为离散型或属性数据(对应于泊松或Logistic回归),对同时含有数值型多元变量和函数型变量的广义线性模型的估计问题进行分析,采用非参数方法得到了参数部分和非参数部分的估计量,并给出了一种重加权算法进行参数求解,解决了含数值型和函数型混合数据类型自变量的回归问题,同时扩展了函数型线性模型的应用范围。估计过程中,分别采用了函数型主成分和B样条基函数,并给出了基函数个数选择的准则。数值模拟结果表明,所提出方法具有良好的可行性与正确性。      

基于全信息的正态分布型数据的线性回归分析

针对正态的分布型符号数据,提出一种新的线性回归分析方法.以体现正态的分布型数据的全部原始信息为出发点,给出正态的分布型变量的一阶矩、二阶原点矩、二阶混合原点矩的定义和计算原则.在此基础上,定义针对正态的分布型数据的线性回归模型以及残差信息的平方和,推导最小二乘回归系数.仿真实验证明了该方法所得回归模型在解释能力和预测能力上的有效性以及相对于"中心法"的优越性.给出的正态分布型变量数字特征的定义和计算原则为将其他经典的多元统计方法推广到分布型数据奠定了基础.     

主成分回归的建模策略研究

分析了国际上通用的主成分回归的工作原理和失效原因.在此基础上,提出一种新的主成分回归建模策略:①提取所有主成分建立模型;②删除模型中t检验不显著的成分;③用t检验显著的成分建立最终需要的模型.由于任一主成分的回归系数和t检验值以及与其余主成分无关.因此,当采用向后删除变量法时,如果有多个成分t检验不显著,则可以将它们同时删除,而无须逐个删除.采用仿真案例对所提出的方法的合理性进行验证.这种新的建模策略可以有效地提取对因变量有较强解释作用的成分,实现在自变量多重相关条件下的回归建模,并且允许在模型中包含所有的原始变量.此外,该方法的成分筛选过程简便,累计计算误差小于偏最小二乘回归等迭代算法.      

基于神经网络的带肋回转通道换热性能的预测

在对带有不同肋间距和肋高的直肋变截面U型通道的换热性能进行了实验研究的基础上,分单元处理了数据,并采用经过LM(Levenberg-Marquardt)算法和贝叶斯正则化方法改进的基于BP(Back-Propagation)算法的前馈神经网络对数据结果进行了建模,实现了对带直肋的变截面U型通道换热性能的预测,实践证明,人工神经网络ANN(Artificial Neural Network)方法可以用于航空发动机涡轮叶片内通道换热性能的预测,并且其预测精度明显高于非线性拟合.     

多元回归分析在光纤陀螺标定中的应用

全面系统地介绍了多元回归分析理论,给出了相应的计算公式,并将其成功应用在光纤陀螺标定中。以光纤陀螺标定为例,检验了拟合方程的正确性以及各个因素对测量的显著性,为提高惯性器件测量准确度、组合导航精度打下基础。     

Remote sensing and GIS-based landslide hazard analysis and cross-validation using multivariate logistic regression model on three test areas in Malaysia

This paper presents the results of the cross-validation of a multivariate logistic regression model using remote sensing data and GIS for landslide hazard analysis on the Penang, Cameron, and Selangor areas in Malaysia. Landslide locations in the study areas were identified by interpreting aerial photographs and satellite images, supported by field surveys. SPOT 5 and Landsat TM satellite imagery were used to map landcover and vegetation index, respectively. Maps of topography, soil type, lineaments and land cover were constructed from the spatial datasets. Ten factors which influence landslide occurrence, i.e., slope, aspect, curvature, distance from drainage, lithology, distance from lineaments, soil type, landcover, rainfall precipitation, and normalized difference vegetation index (ndvi), were extracted from the spatial database and the logistic regression coefficient of each factor was computed. Then the landslide hazard was analysed using the multivariate logistic regression coefficients derived not only from the data for the respective area but also using the logistic regression coefficients calculated from each of the other two areas (nine hazard maps in all) as a cross-validation of the model. For verification of the model, the results of the analyses were then compared with the field-verified landslide locations. Among the three cases of the application of logistic regression coefficient in the same study area, the case of Selangor based on the Selangor logistic regression coefficients showed the highest accuracy (94%), where as Penang based on the Penang coefficients showed the lowest accuracy (86%). Similarly, among the six cases from the cross application of logistic regression coefficient in other two areas, the case of Selangor based on logistic coefficient of Cameron showed highest (90%) prediction accuracy where as the case of Penang based on the Selangor logistic regression coefficients showed the lowest accuracy (79%). Qualitatively, the cross application model yields reasonable results which can be used for preliminary landslide hazard mapping.