Bootstrap方法的几点思考

通过对自助统计量统计特性的分析，对Bootstrap方法的应用进行了研究。指出在应用Bootstrap方法时，尤其在小子样条件下应注意的几个问题。     

小子样疲劳试验数据的特征寿命估算方法评估

疲劳试验数据一般属小子样范畴,在Weibull寿命分布的假设下应考虑特征寿命的统计置信度.总结特征寿命概率估计的贝叶斯法和虚拟增广样本的Bootstrap法,通过2024-T3直耳片的七组疲劳试验数据对二者进行对比和评估.针对EDF拟合检验法无法对特征寿命估计值的合理性提供实质性指导的问题,提出一种新的试验样本数据全部落入寿命分布（1-a）双侧百分位区间的判定方法.结果表明：Bootstrap法的特征寿命估计值比贝叶斯法偏大;本文提出的判定方法可有效定性判断特征寿命估计值偏大或偏小.     

导弹精度评估的非参数Bootstrap方法

基于目前导弹试验的实际状况,讨论了小子样情况下精度指标的置信区间估计的非参数Bootstrap方法。介绍了Bootstrap方法的基本概念,综合比较了非参数Bootstrap抽样和参数Bootstrap抽样的特点,对基于传统百分位法的改进区间估计方法进行了简要说明,包括迭代Bootstrap方法、Bootstrap-t方法及纠偏百分位方法;最后,通过大量仿真计算初步分析了各种非参数Bootstrap区间估计方法的性能和适用范围,并给出了若干建议。     

最大标准差和最大变异系数方法

 提出最大标准差方法和最大变异系数方法,能充分利用以往数据和经验提供的信息,大大减少了试件个数。与国际上常用的单侧容限系数法相比,可节省大量试件;而在试件个数相同的情况下,则可得到更接近母体百分位值的置信下限(如安全寿命或安全疲劳极限等)。     

一种辐射环境下小子样试验评估方法

对元器件在辐射环境下的小子样试验评估方法作了分析研究，基于元器件辐射损伤阈值服从正态分布的假设，采用基于虚拟增广的小子样试验评估方法对元器件抗辐射能力进行评估，得到了元器件在给定置信水平下的损伤阈值下限及在给定辐射水平下的生存能力，通过实例验证了评估方法的可行性。在labview开发环境下完成方法的软件研制。方法可为航天器的抗辐射加固设计与评估提供有益参考。     

连续分布百分位值和百分率的区间估计和假设检验

提出了一种对连续分布百分位值和百分率(或可靠度)进行区间估计和假设检验的理论与方法。并对Weibull分布、对数正态分布、极值分布等常用的两参数分布和三参数分布进行了详细讨论。该方法不仅适用于完全数据,而且还适用于不完全数据和无失效数据。     

小子样疲劳寿命分散系数置信区间随应力的变化规律研究

针对疲劳寿命样本小子样统计分析问题,采用Bootstrap方法模拟母体标准差的抽样分布,并结合纠偏的百分位法估算母体标准差的置信区间,着重估计了疲劳分散系数的置信区间。首先利用Bootstrap方法在参数区间估计方面的优越性能,对已知疲劳寿命母体分布的模拟试验数据进行了疲劳分散系数置信区间的估计,通过与真值的对照分析,验证了结合纠偏百分位思想的Bootstrap方法进行疲劳分散系数区间估计的可信性。然后利用此方法对航空材料的140个钢合金试件和295个铝合金试件的真实疲劳寿命试验数据进行了疲劳寿命分散系数的区间估计,并研究了疲劳分散系数置信区间随疲劳试验应力的变化规律,为在工程实际中分析疲劳寿命试验数据提供了参考方法。     

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.     

小样本下分位数函数的Bootstrap置信区间估计

航空产品试验一般为小样本试验,为了分析小样本情况下的试验数据,结合以概率加权矩为约束条件的最大熵法和求解置信区间及置信带的Bootstrap方法,提出了一种估计小样本试验件母体分位数函数置信区间的方法。最大熵法在矩约束下能够估计样本的密度函数,而以概率加权矩为约束条件的最大熵法能够针对小样本直接给出分位数的无偏估计,无需由密度函数积分得到累积分布函数,再进行转化得到分位数函数。Bootstrap方法求解置信区间具有不依赖于数据分布的优点,具有广泛的应用范围。     

自助法在小样本数据均值估计中的应用

自助法（Bootstrap）是较好的处理小样本数据的方法,其无先验性及计算过程中只需要实际观测数据的优越性,使其广泛地应用于小样本数据处理。针对方法自身存在的缺陷,文章比较了目前自助法常用的两种抽样方式的优劣性,并采用改进的样本经验分布函数来解决这个问题,通过对均值的估计证实了方法的有效性。     

基于自助法的小样本数据分析方法研究

自助法（Bootstrap）和随机加权法（Bayes Bootstrap）都是较好的处理小样本数据的方法,其无先验性,以及计算过程中只需要实际观测数据的优越性,使其广泛地应用于实际数据处理之中,后者的估计精度要更好些。但对连续情况而言,自助法的计算特性使得重抽样本局限在原始样本范围内,无法渐进于真实情况。文章基于自助法研究了用改进的样本经验分布函数来解决这个问题,并通过仿真算例说明方法的有效性。     

发动机可靠性多级综合的信息熵法第一近似限

从信息理论的基本原理出发 ,根据部件或分系统的试验或使用数据提供的信息量与产品折合试验应提供的信息量相等的原则 ,将部件或分系统的试验或使用信息折合为产品的等效试验信息 ,建立了由各种成败型部件或分系统组成系统时部件或分系统试验信息等效折合的数学模型 ;根据单元可靠性评定的基本原理 ,给出了基于信息理论的发动机可靠性第一近似限综合评定的基本模型。通过实例说明了模型的具体应用 ,并与传统方法的评定结果进行了比较 ,说明了模型的正确性和实用性。     

基于失效物理的动量轮贝叶斯可靠性评估

作为卫星姿态控制系统关键部件的动量轮,其可靠性关系到卫星发射的成败。但是由于有小子样、高可靠性和长寿命等特点,受技术、费用和时间等条件的限制,无法获得大样本失效寿命数据,因此利用传统的大样本寿命数据统计推断方法进行可靠性建模、分析与评估存在困难。为此,从失效物理分析的角度出发建立性能退化模型,用贝叶斯方法融合性能退化模型和寿命模型得到产品的可靠性评估模型,并基于该模型充分利用失效物理试验中的性能数据和少量的寿命数据来进行可靠性评估。实例分析表明,该方法与伪寿命方法相比更加符合工程实际,评估精度更高。     

极小子样试验的半经验评估方法

阐明了Bootstrap方法适用于子样数n≥5而不适用于子样数为n=1,2的情形,对于n=1,2的极小子样,给出了一种半经验评估方法,并提出了把n=1虚拟增广至n=5的半经验虚拟增广子样法与Bootstrap再抽样法相结合的极小子样评估方法,阐明了所提方法的立论依据与推导过程,给出算例并做了有益的讨论。     

小样本无失效寿命试验数据的轴承可靠性评估

针对小样本无失效寿命试验数据可靠性问题提出了评估模型。模型采用Bayes理论构造服从原始样本的抽样函数,结合Bootstrap法生成大量服从抽样函数的随机数作为增广样本,再通过最佳线性不变估计法分析原始样本及增广样本得到Weibull分布双参数估计值作为可靠性评估结果。通过Monte-Carlo法仿真生成服从Weibull分布的随机数,分别采用该模型、配分布曲线法及现有Bayes理论对此随机数做评估,对比发现:该模型得到的参数估计较现有Bayes理论和配分布曲线法更接近Weibull双参数真值,且形状参数和尺度参数估计值的相对误差均低于10%,验证了模型分析小样本无失效数据进行可靠性评估的可行性。借助文献实例对模型进行分析,对比得出模型能得到较现有Bayes理论和配分布曲线法更符合工程实际的评估结果;模型在小样本情况下的双侧可靠度置信区间长度低于现有Bayes理论和配分布曲线法,有效提高了小样本无失效数据可靠性评估精度。      

基于电路仿真和正态假设的小样本多试验环境下产品性能可靠性评估

针对电子产品设计验证阶段性能试验的多环境状态、小样本特点,在正态分布假设条件下,提出了基于Pspice电路仿真的性能评估方法,运用Pspice软件中的瞬态分析、Monte-Carlo分析和温度分析获得了各环境状态下的性能仿真数据,进而获得了环境因子的仿真结果;利用环境因子将多试验状态下的试验数据折算为正常状态下的性能试验数据,基于折算后性能试验数据实现了产品的性能可靠性评估。最后,以某型装备上的稳压电源为例说明了本文方法的有效性和实用性。     

Static Frame Model Validation with Small Samples Solution Using Improved Kernel Density Estimation and Confidence Level Method

An improved method using kernel density estimation (KDE) and confidence level is presented for model validation with small samples. Decision making is a challenging problem because of input uncertainty and only small samples can be used due to the high costs of experimental measurements. However, model validation provides more confidence for decision makers when improving prediction accuracy at the same time. The confidence level method is introduced and the optimum sample variance is determined using a new method in kernel density estimation to increase the credibility of model validation. As a numerical example, the static frame model validation challenge problem presented by Sandia National Laboratories has been chosen. The optimum bandwidth is selected in kernel density estimation in order to build the probability model based on the calibration data. The model assessment is achieved using validation and accreditation experimental data respectively based on the probability model. Finally, the target structure prediction is performed using validated model, which are consistent with the results obtained by other researchers. The results demonstrate that the method using the improved confidence level and kernel density estimation is an effective approach to solve the model validation problem with small samples.