融合多源信息的维纳过程性能退化产品的可靠性评估

 针对维纳过程性能退化产品,提出了一种有效融合先验退化信息、寿命数据以及现场退化数据的可靠性评估方法.首先利用Expectation-Maximization(EM)算法基于先验退化信息和寿命数据信息确定参数的先验分布;其次利用贝叶斯方法对参数进行更新,并在此基础上进行可靠性评估.该方法能根据现场退化数据不断地对可靠性进行更新,实现对产品可靠性的实时评估.最后通过金属化膜电容器可靠性评估实例验证了该方法的适用性和有效性.     

半参数共享脆弱性模型及其可靠性应用研究

针对传统假设中个体寿命独立同分布的不足,在个体寿命的基准危险率为分段常数危险率的条件下,引入刻画随机效应所产生影响的脆弱性因子,构建出基于比例危险率扩展模型的半参数共享脆弱性模型.运用基于Gibbs抽样的马尔可夫链蒙特卡罗(MCMC)方法,动态模拟出参数后验分布的马尔可夫链;在脆弱性因子的先验分布为Gamma分布时,引入基准危险率的鞅过程,并给出随机截尾条件下参数的贝叶斯估计,提高计算的精度.利用数值算例验证了该模型在可靠性应用中的直观性与有效性.     

可靠性评估中利用先验信息的一种新思路

Bayes分析的一般程序是先验分布 数据=后验分布.提出一种新的Bayes分析程序:先基于数据诱导出参数的置信分布,而将参数的原先验分布等效成某种类型数据;然后将置信分布作为参数的"先验分布",而将先验信息的等效数据作为"试验数据";最后采用通常的Bayes方法进行可靠性评估.该新思路主要用于多参数寿命分布的可靠性评估.它克服了多参数模型下确定先验分布的困难及计算上的困难.仿真结果表明该方法具有较高的精度,且计算简单,可以应用于实际.     

基于后验噪声的贝叶斯鲁棒卡尔曼滤波器

目标跟踪的精度取决于滤波器的性能,但在许多实际的毫米波雷达测量场景中,模型及相关参数的不确定会导致传统滤波器的性能下降。为了应对这种情况,基于贝叶斯准则设计了一种鲁棒卡尔曼滤波器。利用Metropolis Hastings算法,从不确定噪声参数的似然函数中采样并以样本分布来近似后验噪声分布,然后计算其统计平均值,并借助后验噪声统计量扩展了经典卡尔曼滤波器。另外,针对采样时提议分布（Proposal Distribution）难以确定的问题,提出了一种提议分布自适应方法,即利用离散Fréchet距离来评价候选分布与先验分布变化趋势的相似性,然后选取相似性最大的候选分布为提议分布。通过处理毫米波雷达的测量数据证明了该滤波器在应对观测噪声不确定的场景时性能优越。     

基于贝叶斯理论的软件可靠性评估方法研究

本文以贝叶斯统计理论为依据,建立了基于输入域的测试过程的形式化描述,在此基础上确定了测试分布的总体信息;按照贝叶斯理论,要对软件可靠性进行估计,需要定义软件可靠性的先验分布,该先验分布可以利用贝叶斯假设或共辘原理进行定义.分析发现,在软件顺序测试过程中,采用这两种策略所得到的先验分布是一致的,这从另一种角度印证了先验分布选取的正确性.根据贝叶斯定理,利用先验分布和总体分布,可以得到待估计变量的后验分布,然后根据测试数据可以对可靠性进行估计.     

基于正态逆高斯模型的非下采样Contourlet变换图像去噪

提出一种基于正态逆高斯先验模型的非下采样Contourlet变换图像去噪算法.在非下采样Contourlet变换域中,以正态逆高斯模型为先验模型,对图像分解系数的稀疏分布统计建模,估计每个子带内的模型参数,在贝叶斯最大后验概率估计准则下推导出与正态逆高斯模型相应的阈值函数表达式,以此对图像进行去噪处理.对于被加性高斯白...     

考虑多种贝叶斯神经网络分布形式组合的设备剩余寿命预测方法

基于dropout NN(dropout Neural Network)的设备剩余寿命(RUL)预测方法因使用具有固定分布形式的先验与近似后验的贝叶斯神经网络(BNN)导致预测精度较低.为解决该问题,提出基于高斯近似后验BNN的RUL预测方法和基于混合高斯-伯努利网络的设备RUL预测方法,前者引入混合高斯分布作为先验,通过对参数梯度进行无偏蒙特卡罗估计以优化BNN,后者引入一种离散化的高斯先验分布以正确地定义KL散度,进而可以优化BNN.在PHM 2012轴承数据集上的验证结果表明所构建的混合高斯-高斯网络效果好于dropout NN,证明了改变分布组合可以获得更好的预测效果.     

有限贝塔刘维尔混合模型的变分学习及其应用

由于贝塔刘维尔分布的共轭先验分布中存在积分表达式,贝叶斯估计有限贝塔刘维尔混合模型参数异常困难.本文提出利用变分贝叶斯学习模型参数,采用gamma分布作为近似的先验分布并使用合理的非线性近似技术,得到了后验分布的近似解.与常用的EM算法相比,该方法能够同时估计模型参数和确定分量数,且避免了过拟合的问题.在合成数据集及场景分类问题上进行了大量的实验,实验结果验证了本文所提方法的有效性.     

非线性系统中状态和参数联合估计的双重粒子滤波方法

该文提出了一种双重粒子滤波方法,对存在未知参数的非线性系统进行状态和参数联合估计。该方法采用基于充分统计量的粒子滤波技术,避免了重采样过程中的粒子枯竭现象;采用贝塔分布拟合系统参数的后验分布,不仅充分利用了先验信息,而且避免了对高斯分布拖尾部分的采样,提高了粒子的采样效率。仿真实验结果表明,该方法提高了非线性系统中状态和参数的估计精度,降低了滤波器对初始误差的敏感性。     

用概率推导和加权迭代L1范数实现信号重构

在对信号稀疏性统计分析的基础上,将具有稀疏描述能力的拉普拉斯分布用于描述信号的先验分布,基于贝叶斯法,利用信号采样值、拉普拉斯先验分布和高斯似然模型,推导信号的后验概率密度估计;最后将最大后验概率(MAP)估计过程转化为加权迭代L1范数的最小化问题。在求解过程中,与非加权的L1范数法进行对比表明,信号重构性能明显提高;通过实验计算,详细讨论了其中一些参数的取值原则和范围;针对稀疏度不同的信号,随着信号非零点数的增加,本文算法重构结果明显优于基追踪(BP)和(OMP)法;与同类的IRL1算法相比较,本文算法更具普遍性和理论意义。     

基于多源数据的测试性综合评估方法研究

针对当前小样本测试性评估方法中,丰富的先验信息无法得到充分利用,评估结论置信度低的问题,提出了一种新的基于Bayes理论的测试性综合评估模型.在求得5类先验Beta分布参数的基础上,采用K-L信息距离理论计算融合权重,进而得到混合先验分布.以此混合分布作为最终的验前分布,结合现场试验数据开展Bayes评估,并给出实例应用.     

基于EM-SBL迭代的稀疏SIMO信道频域盲均衡算法

针对单输入多输出系统下稀疏信道均衡问题,提出了一种新的基于最大似然准则的频域迭代均衡算法.首先将多天线联合均衡问题建模为非完整观测数据集下频域信号序列的最大似然估计问题,利用期望最大化算法进行近似迭代求解,最终得到各个单频信号加权求和形式的均衡输出表达式.在每次迭代过程中,算法依次完成均衡输出的更新和信道参数联合条件后验分布的更新.考虑到信道固有的稀疏特性,在求解信道参数联合条件后验时,引入具有稀疏促进作用的先验分布对信道系数加以约束,使用稀疏贝叶斯学习迭代求解信道参数联合条件后验.仿真结果表明,本文算法具有较好的收敛特性和稳态性能,在中高信噪比条件下可以获得接近信道已知条件下的稳态系统误符号率性能.     

贝叶斯网络结构学习研究

针对贝叶斯网络结构学习方法难以兼顾高准确率和高效率的问题,提出了一种基于Markov Chain Monte Carlo(MCMC)方法的贝叶斯网络结构学习方法的改进.改进包括:使用依赖关系分析,利用统计学的方法对采样空间进行大幅缩减,能够在精确控制准确度的情况下大幅提高时间效率;结合先验知识,从理论角度将先验知识融入评分中得到完全服从后验分布的结果;搜索最优子结构,对于特定的一些结构搜索最优子结构而不是采用贪心的方法,提高了贝叶斯网络结构学习的准确率.通过理论分析可以证明时间复杂度得到了大幅的降低.并且可以在牺牲可预知的准确率的情况下,将指数时间复杂度降为线性时间.大量的数据实验表明,经改进后的方法在时间和准确性上都具有良好的表现.     

基于Bessel先验快速稀疏贝叶斯学习的互质阵列DOA估计

为提高低采样点条件下互质阵列DOA估计精度,该文提出基于Bessel先验快速稀疏贝叶斯学习算法。该方法针对互质阵列输出的多采样点复数数据,首先构建了基于Bessel先验的多量测分层模型;其次推导了模型所涉超参数的对数似然函数,根据最大似然估计准则得到了超参数的迭代公式;最后提出了快速实现方案,提高了运算效率。仿真结果表明,该方法不依赖先验信息,在低采样点条件下具有更高的DOA估计精度和分辨率,能够对相干信号进行高精度DOA估计,并具有较高的运算效率。此外,该文探究了虚拟阵列扩展与互质阵列测向自由度扩展间的关联,为后续阵列误差条件下互质阵列DOA研究估计提供参考。     

不完全先验信息条件下的可靠性评估

小子样产品可靠性的Bayes评估中通常需要用到主观经验信息,如可靠度均值或可信区间等,这些信息属于不完全先验信息,利用这些信息通常无法确定可靠性分布函数。基于Bayes理论,以贝塔分布作为先验分布类型,利用最大熵原理将不完全信息转化为完全型先验信息,得到产品可靠性的先验分布,再结合观测数据,利用Bayes公式得到产品可靠性后验分布。从仿真算例可以看出,给出的方法能够有效地处理不完全先验信息,提高产品可靠性评估的效率。     

基于变分方法的超分辨率

基于全变分先验和变分分布.提出一个新颖的超分辨率算法,使用分级的贝叶斯框架,能够同时计算出重建的高分辨率图像和模型参数.本算法利用变分推论给出变量的后验分布近似.因为能够同时估计出模型参数,是自动的过程,无需对参数人工调节.实验结果表明所提算法在重建质量上优于当前主流的算法.     

Weibull分布产品恒加应力缺失数据下的Bayes可靠性评估

在加速寿命试验过程中,由于试验设备、观测手段或其他方面的困难可能会造成某些试验数据丢失或未观测到.为解决Weibull分布产品在恒加应力试验中出现的小子样缺失数据情形下的可靠性评估问题,提出了可以综合利用多源信息的Bayes可靠性评估方法.首先通过概率元方法得到缺失数据的似然函数,同时根据似然函数中各未知参数的物理含义确定其验前分布类型,再利用第二类极大似然估计原理得到验前分布中超参数的估计.最后通过仿真实例说明了该评估方法在小子样缺失数据情形下的有效性.     

贝叶斯网络结构学习研究

针对贝叶斯网络结构学习方法难以兼顾高准确率和高效率的问题,提出了一种基于Markov Chain Monte Carlo(MCMC)方法的贝叶斯网络结构学习方法的改进。改进包括:使用依赖关系分析,利用统计学的方法对采样空间进行大幅缩减,能够在精确控制准确度的情况下大幅提高时间效率;结合先验知识,从理论角度将先验知识融入评分中得到完全服从后验分布的结果;搜索最优子结构,对于特定的一些结构搜索最优子结构而不是采用贪心的方法,提高了贝叶斯网络结构学习的准确率。通过理论分析可以证明时间复杂度得到了大幅的降低。并且可以在牺牲可预知的准确率的情况下,将指数时间复杂度降为线性时间。大量的数据实验表明,经改进后的方法在时间和准确性上都具有良好的表现。     

小样本条件下行波管可靠性评估方法的研究

 行波管的可靠性对许多军用装备整机系统的正常运行十分重要。但其结构复杂、价格昂贵,如何在小样本条件下提高其可靠性评估的精度是我们目前面临的问题。在此情况下,利用专家经验、历史数据等先验信息来提高其可靠性评估的精度是一个行之有效的途径。本文基于模糊隶属函数给出了一种创建行波管可靠性模糊先验分布的方法,并在此基础上利用Bayes方法实现了行波管先验与试验信息的有效融合。对某卫星用行波管进行可靠性评估的实例表明,采用正态型模糊先验分布的行波管可靠性Bayes评估可以在小样本数和试验结尾程度很高的情况下显著提高可靠性评估的精度,同时Bayes估计可随试验样本信息的增加不断得到修正;而模糊先验分布的带宽可用于调节先验信息在后验分布中所占的比重。     

随机加权最大熵法在可靠性评估中的运用

基于信息论中最大熵的概念,并结合随机加权法的特点,研究了Bayes统计分析方法中先验分布的获取问题,尽量避免受到主观因素影响的先验分布.同时给出了该方法的实现步骤及其在解决小样本条件下可靠性评估中的运用,并进行了仿真验证分析.仿真结果说明了该方法的可行性以及在小子样条件下进行可靠性评估的优越性.