基于AOstar算法的最优诊断生成组件的设计与实现

最优诊断树是电子可测性设计与分析的重要研究内容,也是电子系统故障隔离的基础。针对国内对最优故障诊断树研究和应用的需求,介绍了采用启发式AO*(AOstar)算法求解最优故障诊断树的方法,并将该算法封装实现为COM组件。与国外可测性分析软件TEAMS生成的诊断树结果对比分析,表明结果准确,组件易扩展,可以方便的嵌入到可测性设计与分析以及故障诊断软件之中。     

Ⅰ型双删失下逆Rayleigh分布的统计分析

在Ⅰ型双删失样本下,用极大似然法得到了逆Rayleigh分布尺度参数估计的迭代公式.根据遗失信息原则计算出了Fisher信息矩阵,由极大似然估计的渐近正态性得到了参数的置信区间.取共轭先验分布,在平方损失函数下,求得了未知参数、可靠度函数的贝叶斯估计和参数的等尾置信区间.根据后验预测密度函数,得到了预测值的估计.通过Monte Carlo随机模拟,得到了多种估计值,并进行了比较,结果表明在小样本场合贝叶斯估计要优于极大似然估计.     

应力为SGBVE分布强度为指数分布下结构可靠度的估计

考虑了应力服从SGBVE分布,强度服从指数分布的应力—强度模型,分别在应力参数未知和部分强度参数未知的情形下给出了该模型可靠度的估计,并讨论了其性质.     

一种基于遗传算法的SVM决策树多分类策略研究

提出了一种基于遗传算法(GA)的SVM最优决策树生成算法,并将其应用于解决SVM多分类问题.首先以最大分类间隔为准则,利用遗传算法对传统的SVM决策树进行优化,生成最优(或近优)决策二叉树;然后在各个决策节点,利用传统的SVM算法进行二值分类,最终实现SVM的多值分类.理论分析及实验结果表明,新方法比传统的DT-SVM、DAG-SVM方法有更高的分类精度,比经典的1-a-1、1-a-r有更高的训练和分类效率.     

双定数混合截尾下指数分布的估计与预测（英文）

当受试样品的寿命服从指数分布时,基于双定数混合截尾数据,在三种损失函数下求出了指数分布未知参数和可靠度的估计,利用经典方法得到了未来观测值的点预测和区间预测.当参数的先验分布分别取为伽马先验和无信息先验分布时,得到了未来观测值的预测值及等尾预测区间.对于独立同分布于该指数分布的任一试验样品,得到了它的失效时刻的点预测和区间预测.通过随机模拟计算出参数和可靠度估计的均值及平均绝对值偏差.最后对一个数值例子进行了分析,利用文中的结论计算出了相关的估计值和预测值.     

两均匀分布总体参数之比的估计

给出了两均匀分布的最大次序统计量的密度函数,并讨论了两均匀分布参数之比的通常区间估计、最短区间估计及假设检验方法.最后,根据实例求出了这两种区间估计及其区间长度,并得出了相应的结论.     

混合训练的DHMM及其在发射机状态检测中的应用

隐马尔可夫模型(HMM)是一种双随机过程,其训练方法B-W算法是一种基于爬山算法,容易陷入局部最优且对初始参数值依赖性大。为了提高模型的有效性,该文提出了将改进的模拟退火(SA)算法和B-W算法相结合的混合训练方法,解决了受模型参数初值影响的问题并能实现全局搜索。将其应用于发射机功率状态检测中,实验结果证明该方法准确性高,收敛速度快和稳定性好,是一种很有实用价值的新方法。     

复杂机载电子系统故障综合诊断技术研究

故障综合诊断技术一直是复杂机载电子系统研发过程中的关键部分,当前的故障诊断技术同时需要机内测试（BIT）和场外自动化测试设备（ATE）的测试结果才能得出诊断结果,诊断效率低,时间长并且不能在线诊断。针对新一代战斗机将更加依赖航空电子系统的趋势,迫切需要一种诊断时间短,且能够实现在线诊断的故障诊断技术。因此,一种基于模型的故障诊断方法被提出。该方法通过融合多信号模型和整数编码故障字典模型,模块间采用多信号模型,单个模块中采用整数编码故障字典模型,克服了多信号模型对测试信息的浪费和整数编码故障字典模型建模困难的缺点,并提出一种多目标测试优选方法,通过优化检测方案,充分发挥BIT的检测性能。该方法通过充分使用BIT的测试信息,摆脱了对场外ATE的依赖,实现了在线快速定位故障并识别故障模式。     

艾拉姆咖分布参数的Bayes估计及检验

首先给出了艾拉姆咖分布在定数截尾场合下参数的极大似然估计;其次由"平均剩余寿命"的概念得到了参数的拟矩估计;然后取共轭先验分布给出了参数的经验Bayes估计、区间估计及假设检验;最后通过实例给出了不同截尾样本下参数的点估计和区间估计.