基于主基底分析的变量筛选

利用Gram-Schmidt变换,提出一种主基底分析方法.解释并证明了Gram-Schmidt变换所删除的信息量.给出"主基底"的定义及构造方法,并提出"净信息含量比"的概念,用以测度所选基底包含的信息.该方法能在原始数据信息损失尽可能小的前提下,排除所有的冗余变量以及变量集合中的重叠信息,得到一个正交的主基底,从而更有效地对大规模变量集合中的信息进行筛选.多角度的理论分析指出,主基底在尽可能多地携带原始变量信息的同时,还可保证样本点间的相似性改变最小.实际案例分析说明了该方法的合理性和有效性.      

基于Gram-Schmidt过程的判别变量筛选方法

利用Gram-Schmidt过程,在自变量集合中选择对判别分类解释性最强的信息,删除对分类无显著解释作用的信息以及重复解释的信息,并把挑选出来的解释变量集合变换成若干直交变量.一方面实现了判别分析模型中的变量筛选,同时也解决了自变量多重共线条件下的有效建模问题.在选入变量的过程中运用F统计量检验变量的判别作用,更容易被统计应用人员所接受.为了说明所提算法的合理性和有效性,以Fisher判别分析建模为例,通过仿真数据建模取得了合理准确的分析结论.      

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.      

基于约束可满足的深空探测任务规划方法研究

基于传统的CSP算法不能充分体现规划过程的特点,讨论了如何将规划中的动作关系映射到CSP结构中,并据此提出了一种以动作为中心的启发式变量选择策略;分析验证了该方法能够显著降低传统CSP变量搜索策略的时间复杂度,同时对于约束编码的规划问题具有一般适用性。仿真实验表明,本文提出的方法减少了约束处理中的冗余操作,有效提高了问题的求解效率,为工程应用奠定了基础。     

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.      

基于变量贡献率的MSPC异常识别方法

异常识别是多元统计过程控制(MSPC, Multivariate Statistical Process Control)方法有效应用的关键.针对现有研究对历史异常信息利用的不足,综合考虑了主成分变量贡献率与重构误差变量贡献率对异常识别的影响,将两种变量贡献率进行归一化处理并求和得到综合变量贡献率;提出了一种基于综合变量贡献率的MSPC异常识别方法,并基于matlab计算平台实现了该算法.通过田纳西过程故障模式仿真及异常识别,对该方法的应用及算法有效性进行了实例验证.     

国外星上数据压缩算法发展研究

1 星上数据压缩算法的基本原理 从原理上说,无论是星上数据压缩,还是日常电子设备中的数据压缩,其目的都是以尽可能有效的方式将原有信息转换成另一种表现形式,使得数据源的每个信号用尽可能少的数据来表示,并在解码时尽可能近乎无误地恢复出原来的输入信号.从信息论的角度看,数据压缩的本质可以看作是去除数据中冗余信息的过程.根据统计,数据冗余信息包括空间冗余、时间冗余、信息熵冗余、结构冗余、知识冗余和视觉冗余等.     

基于BOM和FEDEP的多分辨率建模框架

为了规范和统一多分辨率模型的描述方法、建模步骤和活动,提出一种基于BOM(Base Object Model)和FEDEP(Federation Development and Execution Process)的多分辨率建模框架.该框架包括3种基于BOM的多分辨率建模方法和基于FEDEP的多分辨率建模过程.简要介绍这3种方法,重点分析FEDEP中与BOM和多分辨率建模相关的基本活动,将基于BOM的多分辨率建模过程与FEDEP集成在一起.该框架可以实现多分辨率模型描述的形式化和通用性、建模步骤和过程的规范化,促进多分辨率模型的重用、互操作和组合,保证模型的一致性和多分辨率建模的有效性.     

基于不确定性的航空装备体系保障性评估

针对航空装备体系结构复杂、要素繁多、耦合性强的特点，对其保障流程进行了研究。采用多Agent建模技术开展航空装备体系保障性仿真建模，并进行分析评估；考虑到保障过程中大量存在的主客观不确定性因素，分别采用模糊变量和随机分布2种变量形式予以描述；为符合客观变量动态时变的特点，将基于交叉熵的最大似然估计和哈密顿蒙特卡罗方法相结合，实现基于信息更新的仿真参数描述，优化航空装备体系保障仿真模型。以一个典型战训任务为例，验证了所提方法的可行性和准确性。      

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.     

基于构形平面的冗余机械臂轨迹规划方法

针对冗余机械臂在空间轨迹规划过程中构形多样但不唯一的问题,提出了一种快速求解冗余机械臂在空间轨迹规划过程中的最优构形的方法。受机械臂关节约束和空间障碍的限制,冗余机械臂的轨迹规划是一个复杂的过程。而为了保证机械臂运动的平稳性,冗余机械臂工作构形由多个机械臂关节轴线依次连接形成的构形平面组成。从构形平面入手,利用空间几何的方法,对冗余机器人进行空间轨迹规划,通过空间矢量引导、避障路径的比较,快速找到空间优化的路径,实现多目标轨迹规划方法。该方法用于一个7自由度冗余机械臂,结果表明该技术能够快速直观解决路径规划问题,不依赖具体的机械臂工作构形,适用于更多自由度的冗余机械臂。      

空天飞行器多余度GNC系统并行处理和故障容错技术

提出空天飞行器多余度GNC系统并行处理和故障容错设计方法:通过系统输入信息并行采集设计和GNC控制器核心模块并行处理设计提高系统信息采集和处理能力,保证GNC系统的实时性;通过系统输入和输出容错设计,使整个多余度GNC系统在处理周期内具有完备的故障容错能力.该方法具有广阔的应用前景.     

刀具磨损的偏最小二乘回归分析与建模

简述了偏最小二乘回归方法;对在不同切削条件下车削加工过程刀具后刀面磨损的多组实验数据,采用偏最小二乘回归方法,根据变量重要性指标分析和因子载荷分析,从8个变量及其组合中筛选出了6个用于建模的自变量,并以后刀具磨损量作为因变量,建立了对所选自变量(切削速度V、切削分力的均值F_x、F_y和F_z、分力比值F_y/F_x和F_z/F_x等)的偏最小二乘回归模型;采用建模数据覆盖的切削条件下的实验数据和建模数据未覆盖的切削条件下的实验数据,分别对模型进行了验证.结果表明,采用偏最小二乘回归方法选择的自变量是合理的,所建立的刀具磨损的回归模型可以较满意地计算出不同切削条件下刀具后刀面的磨损量.