排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
针对经典型最大熵概率密度函数模型及其计算目前存在的非线性程度高,优化不收敛,求解效率低等问题,提出了一种对偶型最大熵概率密度函数模型+逐次优化的方法.根据优化过程不稳定,重新推导了拉格朗日系数的线性变换公式.针对几种常见及一种复杂的概率密度函数,采用经典型与对偶型最大熵概率密度函数模型分别计算概率密度及可靠度的对比表明:与经典型最大熵概率密度函数模型相比,对偶型最大熵概率密度函数模型优化函数形式简单,非线性程度低.逐次优化法求解拉格朗日系数不仅克服了初始值敏感性问题,而且计算效率高.对偶型最大熵概率密度函数模型+逐次优化法与其他方法相比,计算精度最高,且能很好的应用于复杂概率分布及可靠性问题. 相似文献
2.
3.
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。 相似文献
4.
针对经典最大熵分位值估计中拉格朗日系数计算目前存在高度非线性、计算结果精度不高或有时难以收敛等问题,提出了一种对偶型 逐次寻优的方法.基于拉格朗日对偶法,推导建立了含有拉格朗日系数优化函数的对偶表达式;在此基础上,基于样本的概率权重矩约束,提出了逐次寻优算法.针对几种常见的概率分布类型和一种较为复杂的概率分布类型,采用对偶型最大熵方法和经典最大熵方法对其概率累积函数和分位值进行计算对比分析表明:对偶型最大熵分位值估计不仅具有非线性程度低、形式简单,而且对偶型 逐次寻优的方法具有比较高的计算精度,优化迭代的收敛性好等特点. 相似文献
1