伽玛分布环境因子估计

研究了二参数伽玛分布环境因子的估计。根据伽玛分布的特点,指数分布环境因子的定义,并考虑数据折算的方便,给出了伽玛分布环境因子的定义。根据此定义,用经典方法、贝叶斯方法和Fiducial 方法推证了环境因子的上、下限,并给出了一些近似式。     

利用相似产品信息的成败型产品Bayes可靠性评估

在成败型产品的可靠性评估中,为提高估计精度,经常利用历史数据来确定先验分布.但在工程实际中,历史样本和样本本质上属于不同的总体,这对可靠性评估结果有着显著影响.为此,采用相似系统分析确定历史样本和样本的相似程度,将其归纳为继承因子;然后,根据历史样本信息确定产品可靠性的历史后验,基于无信息先验得到产品可靠性的更新后验;最后通过继承因子,综合历史后验和更新后验,得到产品可靠性的融合后验,并在此基础上进行可靠性推断.该方法不仅充分利用了相似产品信息,而且突出了产品的独有特性.     

SAR图像分割的Bootstrap广义多分辨似然比检验方法

提出广义多分辨似然比（generalized multiresolution likelihood ratio，简称GMLR）的概念，给出其Bayes准则下的假设检验和判别准则。GMLR能融合待判别信号的多个特征量，增大不同信号的区分度，所以能更精确地对信号进行判别分析。在SAR（synthetic aperture radar）图像分割的应用背景中，首先用弃除图像冗余信息，减小计算量的Bootstrap样本得到GMLR的原假设和备择假设参数的极大似然估计，然后检测GMLR的分割阈值，最后对森林和草地组成的模拟图像和真实SAR图像分割，证明该方法是SAR图像分割的一个有效途径。     

指数寿命型可靠性增长试验的Bayes分析

该文论述了指数寿命型可靠性增长试验中的Bayes分析方法。文中首先给出了可靠性分析的模型，然后运用历次阶段性试验中的可靠性增长数据建立动态参数模型，在此基础上给出各阶段可靠性增长试验中失效率的Bares估计。     

基于朴素贝叶斯分类器的空中红外目标抗干扰识别方法研究

红外诱饵对抗技术的发展使得空战环境日益复杂化,对红外成像制导空空导弹抗干扰目标识别技术提出了更高的要求。红外诱饵的投放使得目标特征的完整性、显著性及稳定性遭到破坏,基于特征融合匹配的统计模式识别方法无法准确识别目标。提出了一种基于朴素贝叶斯分类器的抗干扰目标识别方法,该方法对空战对抗仿真图像数据集进行了特征挖掘,利用实验拟合方法构建了典型特征的概率密度函数模型,构造了朴素贝叶斯分类器,实现了飞机目标和干扰的分类识别。仿真实验结果表明,该方法在已测试的弹道图像数据集下的平均识别正确率达到了81.82%,且能够解决假目标、目标遮挡等抗干扰目标的识别难题。     

无人机可靠性评估方法研究

针对无人机系统可靠性的统计特性,分析了二项分布系统和分布单元可靠性参数评估方法,并成功应用到某型无人机系统可靠性测试中。该方法对其他类型的装备可靠性评估具有一定借鉴意义。     

基于相似电子产品信息的可靠性评估方法

对于需综合考虑新产品与历史产品多种相似性与相异性的电子产品可靠性评估问题,提出了一种适用于多批次电子产品的可靠性评估方法。基于产品的多种相似信息,通过引入非平权系数法,提出了一种基于特征属性方差检验的继承因子确定方法,解决信息融合问题。算例验证表明,此方法能够实现对具有多相似性和相异性信息的电子产品进行有效的可靠性评估,确定的继承因子更加科学合理。     

基于Bayes理论的小子样维修性验证方法研究

针对现有经典维修性指标验证方法的不足,提出了一种小子样的维修性验证方法,即采用Bayes理论对维修性指标进行验证.给出了应用该方法的一般步骤,探讨了维修时间总体分布的确定方法,采用随机加权法对验前分布进行确定并利用ML - Ⅱ方法实现了多源信息的融合;进一步分析推导了基于Bayes理论的维修性验证方法的检验判据和样本量的大小.最后通过实例分析表明,该方法通过综合利用各种验前信息,可以有效地降低现场试验样本量,节省试验投入,缩短试验周期,且能保证较高的可信度.     

基于Bayes方法的民机冗余系统可靠性评估

民机中常通过冗余设计提高系统的可靠性,研究冗余系统的可靠性评估具有工程实用性。民机故障发生具有随机性,本文采用马尔可夫链描述民机冗余系统的状态变化;考虑到民机可靠性信息较少,要充分利用多源信息,运用Bayes方法对两设备组成的冗余系统进行可靠性评估。假定设备故障间隔和维修时间均服从指数分布,在不同的先验分布下,评估了该冗余系统的平均无故障工作时间,并计算了相应的稳态可用度。针对具体数值例,采用蒙特卡罗仿真方法,评估了民机冗余系统可靠性,并对仿真结果进行了分析。     

基于贝叶斯准则的支持向量机预测模型

对实际统计数据中存在的相关性、不确定性和非线性问题,提出贝叶斯支持向量机预测模型方法.构建基于高斯分布的权值分布模型描述信息的不确定性,基于先验概率分布和贝叶斯关系获得后验分布模型,利用极大似然方法和递推迭代算法求解后验分布的最佳参数,从而得到关联向量机.建立起基于参数分布多维时间序列预测模型,将每一步迭代过程中的支持向量机输入作为随机变量,考虑数据不确定性的传递,递推得到贝叶斯支持向量机预测输出.由于贝叶斯支持向量机可以有效反映随机影响及其传递,可以克服数据不确定性和相关性的影响,因此基于贝叶斯支持向量机预测效果更加符合实际.实例表明利用贝叶斯支持向量机预测高科技企业发展趋势与实际发展趋势接近,可以克服数据相关性、不确定性和非线性对信息模型的影响,具有较高的预测精度和预测鲁棒性.