成分数据的线性模型

本文建立了成分数据的线性模型,对参数给出了估计,证明了参数估计的多种性质.     

一种多传感器数据的统计融合方法

针对多个传感器对某一特性指标进行测量实验的数据融合问题,提出了统计距离意义上的不同传感器之间的融合度定义,并给出了一种可以较好地避免主观因素的关系矩阵的方法,从而得到了一种新的多传感器数据的融合算法.该算法简洁稳定,可用于提高智能仪表的测量准确度和改善智能仪表的抗干扰能力.     

多雷达系统数据融合与航迹预测

为了便于准确定位传感器网络,分布式的单雷达系统首先进行各自的数据处理,包括:地理坐标换算至平面直角坐标;剔除孤立的异常点迹;采用模糊c-均值聚类方法和"动态分区",将单雷达数据中属于同目标的相似点迹归类集合;根据雷达观测和目标运动的特征,在每个点迹集合中设计门限滤波和相关矩阵检验,提取完整连续的目标运动的航迹;结合各航迹特征进行种类分析.接下来对属于不同雷达的航迹两两比较,找出有相交时间段的航迹,采用三次样条对两条航迹的进行内插和外推,再通过模糊综合函数对这两条航迹给出一个相似性度量,并取阈值为0.85.最后得出雷达间各航迹匹配关系.通过该雷达所观测到的航迹的稳定程度来近似估计其观察精度.首先对每一条航迹进行分段拟合得到其剩余方差,然后直接用每一条航迹的剩余方差来衡量雷达的观察精度,最后我们得出雷达的精度排序29107728,7724253720252539.对航迹融合,我们首先采用D-S证据理论并利用分析得到的雷达精度,对表示同一目标的航迹对进行融合.其次试图运用卡尔曼滤波对航迹进行融合:思路一是设法离线估计出噪声矩阵,得出系统噪声方差矩阵和观测噪声方差矩阵,从而用于标准卡尔曼滤波方程;思路二是探究较为实用的自适应滤波,兼顾Sage-Husa自适应滤波算法的高精度与强跟踪自适应滤波算法的可靠性,采用了一种混合算法给出收敛的估计.最终给出了雷达7728和2910的融合算例以及10秒钟的预测轨迹.最后,我们将导弹拦截飞机建模为三维的追逃问题,建立了运动学关系方程,最终归结为最小能量导引律问题.采用"模糊T-S线性模型"以及RH控制方法和伴随技术,在目标作对抗性机动条件下,获得了一个有效拦截的导引律.还对多雷达系统平均处理周期、数据融合系统的航迹处理周期进行了分析,对雷达网络实时性做了评价.     

一种多数据融合算法

针对证据理论在数据融合中存在的局限性,提出了一种新的算法,通过实例分析了这种算法的优点,最后指出了该算法存在的不足.     

多机协同欺骗组网雷达的多虚假航迹制定方法

为有效欺骗组网雷达并充分利用设备资源,对干扰机进行复用,基于传统多机协同欺骗组网雷达模型设计了一种产生更多虚假航迹的轨迹规划方法,并将变高度平面与雷达-虚假目标射线的交点作为干扰机的航迹点,突破传统模型中干扰机只能做定高飞行的弊端,使真实航迹具有多样性,令敌方更难预测其坐标位置,保证自身安全.同时从几何关系上建立干扰机处于机动状态下的组网雷达、干扰机组、虚假航迹间的数学模型,以9架干扰机产生4条虚假航迹为例给出模型求解流程.     

雷达组网中的数学规划问题

在已有的雷达组网技术以及对雷达网性能分析技术的基础上,提出了组建具有“四抗”性能的雷达网的数学方法,为在满足要求性能条件下进行雷达组网提供了理论依据,与以往的以经验为基础的雷达组网技术相比有了进步.     

模糊神经网络在多源数据融合中的应用研究

在T-S模糊神经网络数据融合的基础上,改进了标准T-S模糊融合算法中的模糊算子,并利用聚类算法对网络结构中模糊隶属度个数进行选取.通过仿真实验,验证了改进的算法在融合过程中的合理性、稳定性和准确性.以及聚类算法在T-S模糊神经网络数据融合算法中运用的合理性和有效性.     

模糊神经网络在数据融合技术中的应用

本文主要阐述了模糊神经网络技术，尤其是模糊联结聚合神经网络技术在数据融合技术中的理论与应用。     

一种数据融合算法的初步提出

本文针对证据理论在数据融合中存在的局限性 ,提出了一种新的算法 ,该算法能有效地克服了证据理论在证据完全对立情况下算法失效的缺陷 ,最后指出了该算法存在的不足 .     

基于分组数据的Weibull分布的参数估计

介绍了一种对基于分组数据的Weibull分布进行参数估计的方法．所得估计具有良好的收敛性，同时模拟结果也表明这种方法的可行性．     

雷测数据处理的误差压缩

通过对单脉冲雷达的系统误差分析。本文建立了误差模型。在此基础上利用光测数据对雷测数据进行校准，大幅度地降低了雷测数据的测量系统误差，仿真结果验证了模型的正确性和误差压缩方法的有效性。     

一种区间数的因子分析技术及其在证券市场中的应用

传统的因子分析技术能够有效地对高维变量空间进行降维处理,但它对于样本空间却缺乏行之有效的降维效果.为了解决这一问题,一种针对大量样本数据、新的因子分析技术———区间数因子分析技术(intervaldatafactoranalysis,IFA)被提出并得到了迅速的发展。IFA方法对传统的数据概念做了本质性的扩张,运用'数据打包'的理念,对海量原始数据在不破坏其原有内在逻辑关系的前提下,可以进行变量和样本点维度的双重降维。本文详细阐述了区间数因子分析技术的原理,并以中国股票市场为案例研究背景,结果表明IFA分析技术对大规模多维数据系统做综合简化是十分有效的。     

基于岭估计的岭马田系统在复共线性数据中的应用

在多变量模式识别领域,变量间经常会存在复共线性,复共线性不仅会影响参数估计的效果,也会使变量的敏感性出现显著异常.马田系统是以马氏距离作为测量尺度的多变量模式识别方法,复共线性会通过马氏距离影响马田系统变量筛选的效果和判别的准确率.基于岭估计提出了一种新的测量尺度—岭马氏距离,利用岭迹法确定岭参数,将其引入马田系统使得马田系统对病态数据具有更好的耐受性.通过案例验证了岭马氏距离可以很好的克服复共线性,并提高马田系统的判别准确率.     

Fusion frames and distributed processing

Let {W_i}_iI be a (redundant) sequence of subspaces of a Hilbert space each being endowed with a weight v_i, and let be the closed linear span of the W_is, a composite Hilbert space. {(W_i,v_i)}_iI is called a fusion frame provided it satisfies a certain property which controls the weighted overlaps of the subspaces. These systems contain conventional frames as a special case, however they reach far “beyond frame theory.” In case each subspace W_i is equipped with a spanning frame system {f_ij}_jJi, we refer to {(W_i,v_i,{f_ij}_jJi)}_iI as a fusion frame system. The focus of this article is on computational issues of fusion frame reconstructions, unique properties of fusion frames important for applications with particular focus on those superior to conventional frames, and on centralized reconstruction versus distributed reconstructions and their numerical differences. The weighted and distributed processing technique described in this article is not only a natural fit to distributed processing systems such as sensor networks, but also an efficient scheme for parallel processing of very large frame systems. Another important component of this article is an extensive study of the robustness of fusion frame systems.     

On Integral Fusion Categories with Low-Dimensional Simple Objects

Let k be an algebraically closed field of characteristic zero. In this article, we consider an integral fusion category over k in which the Frobenius–Perron dimensions of its simple objects are at most 3. We prove that such fusion category is of Frobenius type. In addition, we also prove that such fusion category is not simple.     

基于模糊积分的金融数据建模方法

以非可加模糊测度代替经典可加测度,基于模糊积分建立非线性回归模型是新近出现的数据建模方法.该方法充分考虑自变量因素之间的信息熔合(含协同或冲突)作用.本文完整地给出了适用于实数范围内的基于模糊积分(含Choquet积分和(S)ipo(s)积分)的多元非线性回归模型转化为普通线性回归模型的非线性转换方法及其简化算法.并将该方法应用于金融市场数据分析,结果表明效果较之普通多元线性回归有大的提高,且方法简便容易应用.     

插值法在数据修正中的应用

为了使评估的结果达到某种规定的水平,本文研究了运用线性插值、拉格朗日插值以及牛顿插值方法对某公司员工考核数据按照一定的规则进行了修正,同时,对各种方法的修正前、后的结果做了比较．结果表明拉格朗日插值法效果最好,但是计算量偏大;线性插值法虽然效果一般,但是计算复杂度却较低;而牛顿插值法达不到我们预期的效果．     

助推偏最小二乘法（BPLS）及其应用

在生物统计以及数据挖掘中,分类预测是最基本的任务之一。本文将探讨一种新的方法-助推偏最小二乘法（BPLS）。它结合了一系列收缩的偏最小二乘模型,每个模型只有一个主成分。这种新方法和传统的偏最小二乘方法不同,它不需要选择一系列的偏最小二乘成分。只需要确定两个参数即可。通过对真实数据的训练,得以证明这种新方法比传统的偏最小二乘法在防止过度拟合方面有更好的表现,同时能够保证精确度。