基于对极几何约束的景象匹配研究

提出了一种图像配准方法来解决实时图与基准图空间不对准问题。它是利用随机采样算法估计基本矩阵，恢复实时图与基准图之间对极几何．然后基于对极几何约束．剔除误匹配点．得到精确匹配控制点，计算出全局仿射变换，从而对实时图进行校正。该方法的特点是精确、稳定和全自动。采用真实图像实验结果表明，该方法是行之有效的。     

条件均值对可靠性测度Bayes估计的应用(Ⅰ)

本文讨论了条件均值对某些常见失效分布的参数与可靠性测度的Bayes估计的应用，这些分布包括，双参数指数分布，左截尾双参数指数分布，正态分布与对数正态分布。     

基于相关性分析和神经网络的直接推力控制

传统的发动机控制是将一些可测量参数作为被控制量,如转速和压比,因为可由它们推算出推力。但由于推算的过程不准确,为保证发动机安全运行,在发动机的设计过程中常常保留了较大的裕度。而直接推力控制可以降低这些裕度,充分发挥发动机的性能。针对在飞行中推力无法直接测量的情况,本文使用了相关性分析和神经网络技术设计了非线性推力估计器,使用若干测量参数作为输入,实时计算出发动机的推力值。并针对发动机使用的实际情况,使设计出的估计器不但可以估计额定发动机的推力,而且可以估计非额定发动机的推力。在仿真结果中,估计出的推力跟踪上了正常和非额定发动机的推力。     

Weibull分布逐步增加的Ⅱ型截尾试验的统计分析

本文给出Weibull分布在逐步增加的Ⅱ型截尾寿命数据参数的极大似然估计与逆短估计，并通过Monte—Cardo模拟考察了估计的精度，认为极大似然估计优于逆短估计。     

某型Hall磁敏元素的可靠性分析

某型磁敏元素寿命试验样本量很大,很难应用可靠性试验用表与Ｗｅｉｂｕｌｌ分布基于最佳线性不变估计（ＢＬＩＥ）,最佳线性无偏估计（ＢＬＵＥ）枢轴量的数表,本文基于Ｂａｙｅｓ方法、Ｂｌｏｍ近似等,对产品进行了拟合优度检验、分布鉴别与可靠性评定。     

（对数）正态未来观测的预测分布及其应用

本文用Bayes方法给出了正态、对数正态分布示来观测的预测分布。据此，给出了两分布未来观测值的预测子与预测区间及两分布可靠性的Bayes估计，而经典预测区间与无信息先验分布下的Bayes预测区间相间。     

一类非线性双曲型方程的Galerkin方法

主要讨论了平面有界凸多角形区域上的一类非线性双曲型方程utt- .( a( x,u) u) =f ( x,u)u( x,0 ) =u0 ( x)ut( x,0 ) =φ( x)u( x,t) =0　　( x,t)∈Ω× [0 ,T]x∈Ωx∈Ω( x,t)∈ Ω× [0 ,T]的 Galerkin有限元方法 ,首先给出了所讨论问题的 Galerkin有限元方法的离散格式 ,其次对所讨论问题的解与其离散问题的解之间的误差进行了分析研究 ,最后利用椭圆投影算子的性质 ,得到了 L2 模和能量模方面的一些误差估计。     

非线性系统的在线鲁棒故障检测

提出了一种具有建模不确定性的非线性系统在线故障检测方法。故障被假定为状态变量和输入变量的函数，该系统仅是输入、输出可测量的。一种基于RBF神经网络的在线非线性估计器用来跟踪系统中的出现的故障，该估计器对有建模不确定性的非线性系统的故障检测具备良好的鲁棒性。文中所提出的方法的收敛性在理论上进行了较详细证明。仿真实例说明了该故障检测方法的有效性和实用性。     

基于贝叶斯网的航班过站时间动态估计

一架飞机每天要执行多个航班,从而 形成航班链。前序航班进港后,若估计出飞机在机场的过站时间,后续航班的离港时间便可 较准确给出。文中选取了对航班过站时间影响较为显著的几个因素,运用历史数据,采用最 大似然估计进行贝叶斯网参数学习并获得不同情况下过站时间的估计值。同时,利用贝叶斯 网增量学习的特性,运用航班增量数据基于贝叶斯估计修正贝叶斯网参数,并用新的学习 结果更新过站时间估计值。实验数据表明,所提出的方法能较好地对飞机过站时间进行估计。最后,对影响过站时间的各因素进行了灵敏度分析对比。     

极大似然最大熵概率密度估计及其优化解法

针对经典最大熵概率密度估计中拉格朗日乘子计算目前存在高度非线性、计算精度不高或有时难以收敛等问题,提出了一种"最大似然+逐次优化"的方法。基于最大似然估计法,推导建立了简化的拉格朗日优化函数;在此基础上,基于样本原点矩约束,提出了逐次寻优算法。根据优化过程不稳定,重新推导了拉格朗日乘子的线性变换公式,避免矩阵求逆运算引起的奇异现象。针对几种常见的概率分布类型及可靠性问题,采用极大似然最大熵概率密度估计法与经典型最大熵概率密度估计法分别计算概率密度及可靠度的对比表明:极大似然最大熵概率密度估计法的优化函数非线性程度低,形式简单,而且"极大似然最大熵概率密度估计+逐次优化法计算"精度高,收敛性好。