随机权函数非线性回归模型的异方差统计分析

在回归分析中，随机误差是否存在方差齐性是理论与实际工作者都十分关心的问题，方差齐性假设并不总是正确的，在线性和非线性回归中关于异方差的诊断问题已有许多讨论（[1],[2],[4],[5]）。本文在韦博成（1995）讨论了加权非线性回归模型的基础上，用随机系数的方法，讨论随机权函数非线性回归模型中的异方差检验问题，得到了方差齐性检验的似然比统计量和score统计量，同时，当模型存在异方差时，本文给出了估计方差的一种方法。     

偏最小二乘回归的贝叶斯正则化神经网络集成模型在证券分析预测中的应用

神经网络集成技术能有效地提高神经网络的预测精度和泛化能力,已经成为机器学习和神经计算领域的一个研究热点.利用Bagging技术和不同的神经网络算法生成集成个体,并用偏最小二乘回归方法从中提取集成因子,再利用贝叶斯正则化神经网络对其集成,以此建立上证指数预测模型.通过上证指数开、收盘价进行实例分析,计算结果表明该方法预测精度高、稳定性好.     

模糊事件贝叶斯公式

讨论了模糊事件的概率及其基本性质 ,并通过对经典贝叶斯公式的推广 ,提出了模糊事件的贝叶斯公式 .     

径向基-偏最小二乘-贝叶斯方法及其在化学模式分类中的应用

提出一种用于模式分类的RBF-PLS—Bayes方法。它集成地应用径向基(RBF)变换与偏最小二乘(PLS)方法，从原有模式中提取出分类能力甚强的成分，然后进行贝叶斯(Bayes)判别。这种集成方法尤其适用于复杂化学信息的模式分类，本文将其应用于两种类型的化学模式分类问题，均取得了令人满意的效果。与经典的判别分析方法和单纯的神经网络方法相比，具有明显的优越性。     

基于睡眠规律的管制员认知能力分析

为了更加准确评估管制员工作状态,针对管制员认知能力评估问题,采用贝叶斯网络模型,提出了一种基于睡眠规律的分析方法.首先归纳了评价睡眠规律的主要因素,并采用PVT反应时间量化管制员的认知能力水平;然后根据先验知识构建了贝叶斯网络模型,在实验统计与模糊集理论的基础上得到条件概率表CPT,参数学习更新,并计算相关系数确定了关键因素;最后通过实际案例分析,预测了管制员认知水平,验证了评估的可行性与合理性.实验结果表明该分析方法能够根据睡眠规律对管制员值班前的认知能力进行准确的评估,降低了人为因素的安全隐患,增强了人员岗前管理的主动性.     

空分复用弹性光网络多链路故障快速识别研究

随着空分复用弹性光网络规模的不断扩大,链路故障发生率持续增加,提出空分复用弹性光网络多链路故障快速识别方法。利用小波包分解方法将空分复用弹性光网络多链路信号分为高频和低频部分,使用Mallat算法快速重构链路信号,提取小波包能量谱特征和故障复合特征。根据特征提取结果采用改进贝叶斯算法对多链路故障进行定位,将定位结果输入到BP网络模式分类器中,完成多链路故障快速识别。实验结果表明,所提方法的故障定位时间最低仅为3.21 s,故障识别成功率在96%以上,故障误识率变化相对稳定,综合性能较为优越。     

基于贝叶斯压缩感知的子空间拟合离格DOA估计

针对传统的基于稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）的波达方向估计算法对噪声鲁棒性不高的问题,提出了一种基于SBL的子空间拟合离格波达方向(Direction of Arrival,DOA)估计方法。首先对接收数据的协方差矩阵进行特征分解,获得信号的加权子空间,构造等价信号的稀疏表示模型并利用贝叶斯学习算法进行参数求解。同时对于网格划分带来的建模误差问题,采用了离格贝叶斯推导（Sparse Bayesian Inference,SBI）算法进行求解,利用期望最大化算法迭代更新相应的参数。仿真结果表明,相对于传统的DOA方法,该方法具有更好的估计精度。     

基于改进麻雀搜索算法优化BN的变压器故障诊断研究

针对变压器故障诊断准确率低和稳定性差的问题,文中提出了一种改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断方法。首先,通过计算互信息建立最大支撑树并进行定向处理得到贝叶斯网络初始结构即初始种群。然后,在算法中引入一种新的合作机制和正弦余弦算法,提高算法收敛速度和全局搜索能力,并利用油中溶解气体分析,创建基于改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断模型。最后,为了证明所提方法的优越性,将所提的方法与现有变压器故障诊断方法进行对比。结果表明,文中所提出的方法故障诊断率最高,可以更精准地对变压器进行故障诊断。