标准差的计量调整型抽样检查表

本文参照 ISO3951-81”s”法主表的设计原则,设计出了一套(包括样本大小字码表,正常,加严,放宽抽样表)适合于用标准差作为过程质量指标的计量调整型抽样检查表.还讨论了所设计出的方案组的复合接收率.     

指数分布样本中异常数据检验的有效性

本文讨论指数样本中异常数据检验的有效性,证明了Fisher型统计量在异常值检验中的某种优良性。用随机模拟方法比较了Fisher统计量,Epstoin统计量和Dixon统计量在指数样本异常值检验中的功效。     

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。     

神经网络技术改善了微波测向的精度

文章介绍了神经网络的应用。重点介绍神经网络应用于多波束测向的原理和样本训练的模拟结果，为提高多波束测向的性能提供新的途径和思想。     

概率与统计的知识理解之方差

方差是描述数据集中趋势的重要指标,是进行统计决策的关键要素.通过对方差知识的深入梳理,分析样本方差分母为n和n-1的两种不同适用情形,并对在用样本估计总体统计思想下样本方差分母的校正从两个维度进行阐述与证明,有助于加强人们对方差知识的理解,做出正确的统计决策.     

基于噪声融合的黑盒攻击优化方法

当前,基于迁移性的黑盒攻击通常使用较高的扰动系数生成具有较强可迁移性的对抗样本,导致对抗扰动较易被防御者察觉,因此提出了一种基于噪声融合的黑盒攻击优化方法来提高对抗样本的隐蔽性。该方法从常用的图像噪声中筛选出了最适用于优化对抗样本迁移性的噪声,并降低了对抗样本的黑盒攻击能力与扰动系数的耦合程度,即在不修改扰动系数的情况下增强了对抗样本的可迁移性。在Image Net数据集中的实验结果表明,通过噪声增强后的对抗攻击在黑盒攻击强度上有显著提升。此外,通过实验从高斯噪声、高斯白噪声、泊松噪声、椒盐噪声、乘性噪声和单形噪声中筛选出了最佳噪声,其能根据相同的扰动系数将待优化攻击算法的黑盒成功率平均提升12.64%。     

基于周期样本图重构的雷达PRI调制类型识别算法研究

为提升对雷达脉冲重复间隔(pulse repetition interval, PRI)的分析性能,提出了一种基于周期样本图重构的雷达PRI调制类型识别算法。首先,建立了雷达PRI调制模型,分析了不同调制类型的信号特点;其次,利用到达时间(time of arrival, TOA)多阶差分序列估计了雷达PRI调制周期,并基于直方图算法重构了PRI周期样本图;然后,以PRI周期样本图为基础,提出了5个PRI调制特征实现PRI调制类型识别;该方法不仅能够提升PRI调制类型的识别准确率,而且对干扰脉冲特别是脉冲丢失具有很强的稳健性;最后,仿真实验表明了所提方法的有效性。     

基于自组织增量-图卷积神经网络的金相图半监督学习

采用深度学习对钢铁材料显微组织图像分类,需要大量带标注信息的训练集.针对训练集人工标注效率低下问题,该文提出一种新的融合自组织增量神经网络和图卷积神经网络的半监督学习方法.首先,采用迁移学习获取图像数据样本的特征向量集合;其次,通过引入连接权重策略的自组织增量神经网络(WSOINN)对特征数据进行学习,获得其拓扑图结构,并引入胜利次数进行少量人工节点标注;然后,搭建图卷积网络(GCN)挖掘图中节点的潜在联系,利用Dropout手段提高网络的泛化能力,对剩余节点进行自动标注进而获得所有金相图的分类结果.针对从某国家重点实验室收集到的金相图数据,比较了在不同人工标注比例下的自动分类精度,结果表明:在图片标注量仅为传统模型12％时,新模型的分类准确度可达到91％.     

基于网格法分集和主动学习的高光谱图像分类方法

针对高光谱图像分类过程中分类精度低和样本数量较少的问题,文中提出了一种基于网格法分集和主动学习的图像分类方法。该方法利用网格法将主成分空间划分成若干网格,在每个含有样本的网格中随机挑选一个样本,并将其原始光谱数据归入训练集;随后,采用主动学习方法,在其余样本中用K-近邻法选择不确定性最大的若干样本并入训练集,从而扩充了训练集,并使数据集具有代表性,提升了分类精度。同时,在数据处理过程中,联合运用主成分分析和线性判别分析对光谱数据进行降维,进一步提高了运算速度。实验结果表明,在Indian Pines高光谱数据集中,在少量训练集样本的情况下,该方法相较于随机分集和非主动学习,分别将总体分类精度提升了12.24%和19.76%。