工科研究生回归分析课教学改革的探索

本文根据统计体制改革的需要，提出了理论与实践相结合的教学模式。并简要介绍了教学实验的实践效果。     

可容忍信标误差的三维传感网节点定位方法

针对信标位置存在误差情况下的三维无线传感器网络节点定位问题,提出一种基于正交回归的多跳定位方法.同时考虑到自变量误差和因变量偏差对节点坐标估计的影响,基于约束加权正交回归参数估计准则,建立可容忍信标位置误差的三维多跳定位模型,解决了信标位置和距离估计两方面的误差并存时的节点自定位问题,并给出求解节点坐标最优值的数值方法;推导出相应的坐标估计精度评估标准3D-MCRB (3D Multi-hop Cramér-Rao Bound).仿真结果表明:此方法对信标位置误差和距离估计误差都具有较好的抑制能力,在大多数实验条件下,能将定位精度提高10%以上.     

红外多光谱相机的图像串扰校正方法

一种红外多光谱相机在1.55~2.35μm的波长区域有两个波段,由于探测器位于同一焦平面基底上以及读出电路设计等的影响,两谱段间存在串扰现象.首先对图像的串扰现象进行了描述,并对产生串扰现象可能的机理进行了分析.其次,从HgCdTe探测器焦平面阵列的内部结构及探测器的关键参数入手分析了光通过在焦平面区域的多次反射来进行反射及传输是光串扰及电串扰的机理;同时读出电路不准确设计也导致了串扰现象,并对串扰现象进行数学建模.研究发现B10波段的串扰(负/正冲激)与B11波段的阶跃(上升/下降沿)相关.最后基于所创建的数学模型对串扰现象进行了校正.      

基于支持向量机的飞行器多余物信号识别

针对飞行器控制电路在生产制造过程中可能引入金属线头等微小多余物,从而留下短路等安全隐患的问题,提出了一种基于微粒碰撞噪声检测（PIND）的飞行器多余物材质识别方法。首先,利用短时自相关函数提取PIND信号的脉冲部分;然后,提取多种时频域统计特征,并与梅尔频率倒谱系数（MFCC）特征结合起来;最后,训练多分类支持向量机模型实现材质分类。为验证所提方法的有效性,采集了3种不同材质多余物的PIND信号进行模型训练及测试,实验结果表明,所提方法材质识别准确率达98%,优于同类方法的相关结果。      

基于岭回归的红外协同定位优化算法

针对双机协同定位误差较大问题,首先,在球坐标与直角坐标相结合的基础上,建立双机协同定位的数学模型,并通过对数学模型的分析得出双机距离较近时定位误差大的原因。其次,利用岭回归算法求解出定位精度较高的两组测量子集的目标位置估计值和定位误差协方差矩阵。最后,利用加权最小二乘算法对两组测量子集进行融合定位,推导出协同定位优化算法。仿真分析表明,该算法能显著改善了整个探测区域内的定位精度,并且在双机相距较近时也能保持高的定位精度。      

基于RS-CART决策树的航空发动机小样本故障诊断

针对CART(classification and regression tree)分类决策树构建过程中由于小样本集特征维数高及噪声等造成的过拟合问题,在CART决策树算法训练过程中引入基于互信息的粗糙集(rough sets,RS)属性约简,考虑信息熵与基尼(GINI)系数刻画样本集“纯净度”的相似关系,对历史故障数据进行属性约简,降低属性维度以优化训练集,在此基础上构建分类决策树,可视化输出规则。实验结果表明:将改进的CART决策树算法应用于某型航空发动机油液故障诊断,提取的规则可解释性强,能够减小冗余属性及噪声对决策的影响,与常用故障诊断算法相比,该模型的诊断准确率提升20%左右,AUC(area under curve)值高达92%,可以有效处理高维离散型航空发动机小样本故障问题。     

悉数实践-10卫星的"第一"头衔

1 我国第一颗专门的微重力科学实验卫星 实践-10返回式科学实验卫星是为开展多项"微重力科学和空间生命科学"空间实验而专门量身定做的返回式卫星.卫星的承载能力、微重力水平、实验载荷服务支持能力等较以往返回式卫星均有进一步提升,是我国新一代具有安全回收、适应中长期在轨试验、应用灵活和成本低廉的空间科学实验平台.在结构布局上,它充分继承了以往返回式卫星的结构特点,外形是一个圆柱圆锥组合体,内部则是由4个舱段构成的仪器舱及返回舱.根据任务要求,实践-10卫星在轨道设计上也进行了调整,由以往返回式卫星的椭圆轨道变为圆轨道,这一改变,大大提高了微重力水平,为更好地开展微重力环境下的科学实验提供了有力的支撑.     

基于机器学习的管材数控弯曲质量预测

在管材数控（NC）弯曲过程中,可能出现起皱、过度减薄的质量缺陷,同时会不可避免地发生回弹,都将严重影响成形质量。为了对数控弯曲成形质量进行预测,提出了使用有限元模拟与机器学习相结合的方法,并建立了快速的成形质量预测方法。首先,建立了有效的管材数控弯曲的参数化有限元模型,在工艺参数取值范围中随机选择进行大量的模拟实验作为样本,完成学习数据的挖掘。随后,基于径向基函数（RBF）神经网络建立壁厚减薄与回弹程度的预测模型并使用支持向量机（SVM）建立管材起皱的预测模型。最后,使用模型对新的实例进行预测,并利用模拟与数控弯曲实验对预测模型进行验证。 该方法可以对大直径薄壁管材数控弯曲质量进行有效的预测,提高弯曲管件零件设计效率。      

利用支持向量机预测大磁暴期间Dst指数的变化

利用支持向量机（SVM）模型对大磁暴期间Dst指数进行预报研究.以1995-2014年期间的80次大磁暴（Dst≤-100nT）事件共2662组观测数据为研究对象,以对应时间的太阳风参数为模型输入参数,同时建立了神经网络模型和线性机模型进行对比,并利用交叉验证提高预测结果的可靠性.为比较不同模型的预测效果,选用相关系数（CC）、均方根误差（RMS）、磁暴期间Dst指数最小值预测结果的平均绝对误差以及Dst指数最小值出现时间预测结果的平均绝对误差等统计量作为对比参数.结果显示SVM模型的预测效果最好,其中相关系数为0.89,均方根误差为24.27nT,所有磁暴事件的最小Dst值预测平均绝对误差为17.35nT,最小Dst值出现时间的预测平均绝对误差为3.2h.为进一步检验模型对不同活动水平磁暴预报效果的可能差异,将所有磁暴事件分为大磁暴（-200 相似文献   

融合高斯过程回归的UKF估计方法

高精度滤波估计是SINS/GNSS组合导航系统的关键技术之一,其估计精度直接影响了导航精度。传统滤波估计方法一般只基于惯导误差模型,未考虑惯导误差模型不确定性的影响。针对此问题,提出了一种采用高斯过程回归（GPR）增强无迹卡尔曼滤波（UKF）预测和估计能力的高精度滤波估计方法。一方面,能在有限的训练数据条件下通过UKF估计误差状态量;另一方面,高斯过程既考虑了噪声,也考虑了UKF的不确定性。将所提方法应用于SINS/GNSS组合导航系统中,车载实验结果表明,所提方法能有效提高滤波估计精度。