小样本下正态分布可靠度评估方法

工程计算中，经常用样本特征量代替母体参数来估计产品的可靠度．本文用模拟的方法说明了当样本量较小时，这样评估的结果并不可信。并通过分析相关统计量的分布．给出了小样本情形下，高精度的可靠度评估方法。     

《实尾岛》西学东渐 洋为韩用——一个韩国电影的生物样本!

韩国电影的辉煌是族群性质的，从80年代的崛起到1999年的“光头运动”。世人眼中有了一个强势的韩国电影群像。中间有几个异军突起的个案，但是真正以里程碑意义重造韩国电影历史的是今年的一部《实尾岛》。     

一种小样本和小失效数系统可靠性分析方法

根据小样本和小失效数系统的特点，以及可靠性分布函数和参数估计的不确定性和模糊性，提出了一种可靠性分析方法。采用指数分布族，通过分析最少和最大失效数两种最极端状态，确定中间状态的备选点，运用最小平方差原理进行逐个筛选，并给出了算法流程。分析结果表明，计算值与实际观测值较为吻合。该方法可使系统可靠性的估计精度有较大提高。     

小样本条件下多应力加速寿命试验预测方法

鉴于导弹中的电子设备价格昂贵、可用于试验的样本量少,在开展加速试验以及寿命预测的实际工作中通常为小样本的背景。文章研究探索小样本条件下多应力加速试验寿命预测方法,分别建立通用对数线性模型、 BAS-BP神经网络模型、灰色–支持向量回归模型,结合多应力加速试验数据在各应力条件下的样本容量分别为 56组、20组、10组、5组的情况下,比较 3种模型的预测效果,分析各模型的适用场合和时机,探索小样本条件下模型的选优问题,为小样本条件下多应力加速试验寿命预测提供有益的借鉴。     

高温合金松弛过程回归分析方法

基于线性过程回归分析理论,建立了高温合金应力松弛过程回归分析方法,给出了松弛过程的回归方程和高置信水平、高可靠度的单侧置信下限曲线.高温合金松弛过程回归分析方法可以将应力松弛过程作为一个整体进行回归分析,充分利用了不同时刻剩余应力试验数据间的纵向信息,具有信息量大、精度高的特点.而且当试样数量较少时,传统方法得到的剩余应力置信下限曲线可能会发生畸变,而该方法则可以避免这一现象的发生.工程应用表明,在试样数相同的情况下,该方法比传统方法具有更高的精度,而在精度相同的情况下,则可减少大量试样.      

基于k样本Anderson-Darling检验的混杂铺层层合板挖补修理后拉伸性能研究

对挖补修理后的平面编织混杂铺层层合板的拉伸性能进行了试验研究,使用k-样本Anderson-Darling检验对试验结果进行分析,研究挖补斜度、不同修理方法以及初始损伤直径对修理效果的影响。试验结果表明:挖补修理可以较好地恢复层板的拉伸强度。对穿透挖补修理,挖补斜度大于1:20后,修理试件的拉伸强度可以恢复至完好板的水平;对半穿透挖补修理,挖补斜度大于1:10即可保证修理试件的拉伸强度达到完好板水平。此外,仅改变初始损伤直径不会对修理试件的拉伸性能造成明显影响。以上结果对混杂铺层层板的挖补修理设计有一定的指导意义     

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.     

基于DBN的不均衡样本驱动民航发动机故障诊断

在结合深度置信网络(DBN)、采样与集成技术的基础上,提出了基于不均衡样本驱动的民航发动机故障诊断模型。该模型通过分析民航发动机历史飞行数据,利用DBN提取性能参数中的内部特征,利用采样技术将不均衡样本均衡化,采用集成技术进行故障分类。将该模型应用到CFM56-7B系列发动机历史飞行数据,实验结果表明:与常用故障诊断方法相比,该模型的准确率高达0.996,AUC值高达0.948,可以有效处理民航发动机样本高维、不均衡问题。      

基于RBF神经网络的结构光三维视觉检测方法

研究了基于RBF(Redial Basis Function)神经网络的结构光三维视觉检测方法.该方法利用RBF网络良好的非线性映射能力以及学习、泛化能力,通过所获取的高精度的样本数据来训练RBF网络,最终建立起了用于结构光三维视觉检测的RBF网络模型.与常规方法相比,该方法不需要考虑视觉模型误差、光学调整误差等因素对视觉检测系统测量精度的影响,因而能够有效的克服常规建模方法的不足,保证了检测系统具有较高的精度.     

一种基于Deep-GBM的航空发动机中介轴承故障诊断方法

针对航空发动机中介轴承故障信号难于识别的特点,提出了一种深度梯度提升模型（Deep-GBM）对振动信号特征进行逐层学习以提高分类模型的准确率。开展某型航空发动机中介轴承故障模拟实验,并采用经验模式分解(EMD)方法对采集的振动信号进行分解,提取内蕴模式函数(IMF)分量非线性动力学参数样本熵作为原始故障特征。采用Deep-GBM对中介轴承内环故障、内环和滚动体综合故障、正常、滚棒剥落、滚棒划伤五种不同状态进行识别。实验结果表明,所提出的Deep-GBM故障诊断准确率达到87%,相对于传统的机器学习模型准确率最高提升了28%,并具有良好的泛化能力。