广义Weibull分布参数的收缩估计

在右删失样本下,研究了双参数广义Weibull分布参数的极大似然估计。针 对在小样本或高度删失样本下参数估计效果差的问题,引入了收缩估计方法,将先验信息与 样本信息相结合,用于改善参数估计。分别在单参数和双参数含有先验信息两种情形下,给 出了分布参数的收缩估计。以定数截尾样本为例,利用Monte\|Carlo方法对收缩估计与极 大似然估计进行了比较,模拟结果表明在一定的条件下,收缩估计具有更优的统计性质。数 值算例表明,在小样本或高度截尾样本下,双参数广义Weibull分布参数的收缩估计具有较 好的效果。
     

面向不均匀飞机舱音信号样本的模糊支持向量机识别方法

 针对驾驶舱话音记录器(CVR)中记录的舱音背景信息多而复杂、频率范围宽、非平稳等特点,通过对15种舱音信息进行傅里叶变换和小波包变换,依次提取其Mel倒谱系数(MFCC)和小波包分解系数(WPC),利用距离可分性判据对MFCC和WPC信息进行压缩融合,得到舱音信息特征向量。设计了面向不均衡样本的模糊支持向量机(FSVM),分别计算每种类别样本及其内每种舱音信息的2个隶属度,然后利用FSVM对舱音信号进行分类识别,解决了CVR信号含噪奇异样本和数目不均衡样本时识别性能较差的缺点,实验表明该方法明显优于常规支持向量机(SVM)和FSVM,分类识别率达到98.33%。     

基于信息模型的测试性试验样本集充分性研究

建立了产品的故障模式信息模型,包括产品的故障模式、结构单元、功能和测试数据以及这些数据之间的映射关系.根据该信息模型,定义了三种故障模式等价集合,即故障模式单元等价集合、故障模式功能等价集合、故障模式测试等价集合.在这些等价集合的基础上,建立了测试性试验中样本集的三种典型充分性度量和准则,即单元覆盖充分性度量和准则、功能覆盖充分性度量和准则、测试覆盖充分性度量和准则.分析了典型充分性度量和准则的适用范围,并建立了综合充分性度量和准则.使用综合充分性度量可以评价样本集的充分程度,使用综合充分性准则可以确定样本集的构成要求.建立了综合充分性度量和准则的应用方法和流程.通过实例验证了该方法的可行性.     

基于启发式遗传算法的模糊测试样本集优化方案

模糊测试作为当前最有效的漏洞挖掘方法,不仅比其他漏洞挖掘技术更能应对复杂的程序,而且可扩展性很强。在数据量相对较大的测试中,模糊测试输入样本集存在质量低、冗余性高和可用性弱等问题。因此,对模糊测试输入样本集进行研究,提出了启发式遗传算法,借助0-1矩阵,通过启发式遗传算法对样本的执行路径进行选取和压缩,从而获得优化后兼顾样本质量的样本集最小样本集合,进而加快模糊测试的效率。实验结果表明:在没有损失的情况下,样本集精简后模糊测试的时间比精简前降低了22%,压缩率相比传统方案提升约40%。      

结合多体动力学先验知识与核方法的位标器性能预测技术

位标器的性能与特征参数之间存在着非常复杂的非线性映射关系,且由于装调工艺复杂,测量手段昂贵,位标器实际测量数据较少。如何在小数据的情况下实现对位标器性能的精确求解,是准确预测位标器装调性能的关键。提出一种结合陀螺动力学先验知识和核方法的位标器装配性能预测方法(A-LPSVR)。通过构建陀螺Adams动力学模型以缩小解空间范围。使用仿真性能值和真实装调性能值的差值训练支持向量回归模型,得到最终的位标器性能预测模型。实验结果表明该方法所构建的模型预测准确性与泛化性能要优于现有模型,能够在测量数据稀缺情况下实现位标器陀螺仪性能的精确预测。     

基于组合赋权VIKOR法的装备故障样本分配方法

针对目前装备维修性验证试验中故障样本分配考虑因素不全面,分配结果不合理的问题,提出了一种基于组合赋权VIKOR法的装备故障样本分配方法。在综合考虑多个主要影响因素的基础上,建立了故障样本分配影响因素体系,采用AHP-变异系数法确定了各影响因素的主客观组合权重,构建了基于组合赋权VIKOR法的装备故障样本分配模型,并结合某型装甲车辆维修性验证试验,实现了装甲车辆加温器故障样本分配。结果表明:相比基于故障率的故障样本分配方法,所提方法分配结果更加合理。     

基于DSP的三自由度肌电假手实时控制方法

 利用安置在拇长屈肌,指深屈肌和指伸肌上的3个电极所测得的肌电信号,采用所提出的新的模式分类器,可以实现基于DSP的三自由度假手手指运动的实时控制。该分类器采用自回归(AR)参数模型和样本熵的方法构造特征矢量,经过由弹性反向传播(RP)算法构建的3层前馈神经网络的分类,能够成功地分辨出拇指、食指和中指的弯曲与伸展运动,平均识别率可以达到91%以上。实验结果表明,该分类器具有很高的辨识能力,同时由于其较小的计算量,也为嵌入式的多自由度肌电假手控制提供了一种新的控制方法。     

数控铣削参数优化的研究与开发

以DMC60H数控机床为试验平台,以壳体类铝合金零件加工为研究对象,提取数控铣削加工试验数据,采用BP神经网络建立数控加工铣削参数优化模型。生产验证表明,提出的数控加工铣削参数优化方法具有较强的实用性和一定的先进性,能有效提高加工效率,对实现数控机床综合应用效率最优化具有重要意义。     

基于BP神经网络的复合材料性能预测

针对复合材料性能表征十分复杂、困难的情况,利用人工神经网络的BP算法,建立了复合材料性能预测模型。模型由3层神经元组成,分别为输入层、隐含层和输出层。以碳/陶瓷复合材料性能与成分的关系为研究对象,选取了38组实验数据作为学习样本,模型总误差为0.18,用建立的网络预测未知,并给出预报曲线。和试验值相比较表明,所建立的网络能反映碳/陶瓷复合材料组分与其材料性能之间的关系,为实验设计提供了新的思路,节省了时间和劳力。     

基于支持向量机和人工免疫的新结合算法

为了减少大规模数据的支持向量机的样本训练时间,提出了人工免疫（aiNet）和支持向量机（SVM）相结合的算法（ai—SVM）。aiNet能在进行样本压缩的同时抽取原始数据的相关信息并保持原始数据的样本分布。压缩后的样本组成了抗体网络,并在此抗体网络上构建了支持向量机模型。最后结合实际数据样本对ai—SVM算法进行了验证。结果表明,ai-SVM算法可大大减小训练样本集和训练代价,且不降低精度。