不确定度在物理实验中的应用

目前，新疆大学物理实验的数据处理中还未采用测量不确定度这一概记念，本文从不确定度的基本概念出发，介绍在物理实验中的实际应用。     

多元线性回归中度量影响的置信域体积比统计量

本文从多元线性回归模型回归系数的椭球置信域出发,导出度量影响的置信域体积比诊断统计量,并给出了它在协方差矩阵未知时的近似表达式。     

排序法计算指数寿命型元件串联系统可靠性经典精确最优置信下限

对于样本点是离散的情况,可用对样本点排序的方法确定可靠性置信下限,排序有很多种,有L-P排序、序贯排序、极大似然估计排序、修正L-P排序等。本文提出一种具有直观合理性的新的排序方法,计算指数寿命型元件串联系统可靠性经典精确最优置信下限。     

大学物理实验教学中不确定度的评定方法

从教学实际出发，介绍标准不确定度评定方法和高置信概率不确定度简化评定方法．     

多传感器数据融合的数学方法

本文以置信距离测度作为数据融合的融合度,利用置信距离矩阵、关系矩阵寻找多传感器的最佳融合数,并通过极值原理及极大似然法求得最优融合数据。     

可修复系统任务可靠度的置信界限

§1.前言近些年来,对可修复系统的统计分析的文章逐渐增多,尤其 Ascher(1968)的一系列文章中所提出的“坏如旧”的新概念以来,逐渐得到了人们的注意,对非平稳 Poisson 过程以及 Weibull 过程的统计推断的文章也逐渐增多.本文所讨论的问题是,对可修复系统任务可靠度如何给出相应的置信下限.本文仅利用观察时间内系统的失效次数,通过非平稳 Poisson 过程模型来得到系统可靠度和任务可靠度的置信下限,以利用子系统数据得到系统可靠度和任务可靠度的置信下限.     

A SUPERLINEARLY CONVERGENT TRUST REGION ALGORITHM FOR LC^1 CONSTRAINED OPTIMIZATION PROBLEMS

In this paper, a new trust region algorithm for nonlinear equality constrained LC^1 optimization problems is given. It obtains a search direction at each iteration not by solving a quadratic programming subproblem with a trust region bound, but by solving a system of linear equations. Since the computational complexity of a QP-Problem is in general much larger than that of a system of linear equations, this method proposed in this paper may reduce the computational complexity and hence improve computational efficiency. Furthermore, it is proved under appropriate assumptions that this algorithm is globally and super-linearly convergent to a solution of the original problem. Some numerical examples are reported, showing the proposed algorithm can be beneficial from a computational point of view.     

子母弹抛散盲区半径评定方法研究

研究了导弹抛散盲区半径的评定方法，所谓盲区半径Rm，指的是以虚拟落点为圆心，子弹无法打到的圆域的半径，给出了几种不同的方法去评估盲区半径；首先，对于弹着点与圆心之间距离（即半径）的分布函数F（d），将Rm看作是分布函数F(d）的一个p分位点εp ，就可以利用矩法和极大似然法得到Rm(即εp）的点估计；此外，将盲区半径指标Rm看成是一个随机变量，每次弹着点的最小半径作为样本值，通过直观的方法得到Rm的3种点估计，对于这些估计，给出它们的分布或近似分布，用经典方法可得到盲区半径的置信上限，最后给出了一个例子。     

基于DBN,SVM和BP神经网络的光谱分类比较

恒星的分类对了解恒星和星系形成与演化历史具有重要的研究价值。面对大型巡天计划及由此产生的海量数据,如何迅速准确地将天体自动分类显得尤为重要。通过对SDSS DR9的恒星光谱数据进行深度置信神经网络(DBN)、神经网络和支持向量机(SVM)等算法分类的对比,分析三种自动光谱分类方法在恒星分类上的适用性。首先利用上述三种方法对K,F恒星进行识别分类,然后再分别对K1,K3和K5次型和F2,F5,F9次型识别,最后基于SVM支持向量机的二次分类模型,利用K次型的数据,构建剔除不属于K次型的模型。结果表明:深度置信网络对K,F型恒星分类效果较好,但是对K,F次型的分类效果不佳;SVM支持向量机在K,F型恒星分类以及相应的次型分类都具有较好的识别率,对K,F型分类效果要好于K,F次型的分类效果;BP神经网络对K,F型恒星以及其次型的识别一般;在剔除不属于K次型实验中,剔除率高达100%,可知SVM能够对未知的光谱数据进行筛选与分类。     

纵向数据下部分非线性模型的广义经验似然推断

本文研究了纵向数据下部分非线性模型中未知参数的置信域的构造.利用经验似然方法,构造了非线性函数中未知参数的广义对数经验似然比统计量,证明了其渐近于卡方分布.同时,得到了未知参数的最大经验似然估计,并证明了其渐近正态性.