复习 抽样定理——两类 参数估计一—已知含有未知参数θ总体的分布函数为F(x;0),利用总体的抽样样本X1,X2,…,Xn对参数θ或θ的某已知函数g(θ)作出估计 区间估计设法得到参数空间的一个取值范围,使待估参数以较大的概率含于其内点估计—构造适当的统计量0(X1,X2,…Xn)得到θ的估计值 矩估计法一用样本矩估计总体短

下面再介绍几个名词: 采样——从某一物品中采集供给分析测定的样本。 采样应具有足够的代表性及普遍性。因为采样的目的是供给分析测定用的样本,所得的 分析测定结果要指导生产和应用实际,它左右着生产实际的决择,如果不遵守采样的方法技 术,将会给生产实际和应用带来严重后果 四分法——将一张干净的正方形纸或塑料布等,将粉末置于它的上面,提起塑料布一角, 使粉末流向对角,反复将四角提起,使粉末移动混合均匀,划一“+”字,分成四份,去掉对 角两份,收取另外对角两份

针对高炉炼铁过程的关键工艺指标——铁水硅含量[Si]难以直接在线检测且化验过程滞后的问题,提出一种基于稀疏化鲁棒最小二乘支持向量机(R-S-LS-SVR)与多目标遗传参数优化的铁水[Si]动态软测量建模方法.首先,针对标准最小二乘支持向量机(LS-SVR)的拉格朗日乘子与误差项成正比导致最终解缺少稀疏性的问题,提取样本数据在特征空间映射集的极大无关组来实现训练样本集的稀疏化,降低建模的计算复杂度;其次,标准最小二乘支持向量机的目标函数鲁棒性不足的问题将IGGⅢ加权函数引入稀疏化后的最小二乘支持向量机模型进行鲁棒性改进,得到鲁棒性较强的稀疏化鲁棒最小二乘支持向量机模型;最后,针对常规均方根误差评价模型性能的不足,提出从建模误差与估计趋势评价建模性能的多目标评价指标.在此基础上,利用非支配排序的带有精英策略的多目标遗传算法优化模型参数,从而获得具有最优参数的铁水[Si]在线软测量模型.工业实验及比较分析验证了所提方法的有效性和先进性

为解决进行PM2.5质量浓度预测中多因素回归模型的不稳定、神经网络模型的过拟合及局部最小等问题，提出应用支持向量机和模糊粒化时间序列相结合的方法，对PM2.5质量浓度未来变化趋势和范围进行预测.根据PM2.5不同季节的日变化周期模式，确定以24 h为周期的粒化窗宽，利用三角型隶属函数对数据样本进行特征提取作为支持向量机的输入，并在k重交叉验证法下采用网格划分寻找出模型的最佳参数.以2013年3月—2014年2月北京市海淀区万柳监测点四个季节PM2.5的1 h质量浓度监测值为样本数据，应用该方法建立PM2.5质量浓度的时间序列预测模型，并在MATLAB平台下应用LIBSVM工具实现计算过程.结果表明，基于模糊粒化时间序列的预测模型，能较好解决PM2.5机理性建模方式下由于影响因素考虑不全而造成的预测结果不稳定，对模糊粒子拟合效果较好

基于马氏距离和模糊C均值聚类算法提出了一种数字彩色图像抠图算法.该算法首先对彩色图像像素的红绿蓝三种彩色分量进行正则化处理；然后在正则化图像背景中选取适当的掩膜作为样本集，计算各像素与样本集之间的马氏距离；再利用模糊C均值聚类算法对计算出的马氏距离进行分类；最后利用填洞操作提高抠图质量.对八幅彩色数字图像进行对比实验，结果显示本算法可以自动抠图，且结果优于马氏距离算法、Grow-Cut算法和正则化线性回归算法的相应抠图效果

一、影响样本量的因素 被调查对象标志的差异程度; 允许误差(又称极限误差Δ)数值的大小; 调查结果的可靠程度,即置信度或置信水平的大小;

假设检验是指施加于一个或多个总体的 概率分布或参数的假设.所作的假设可以是 正确的,也可以是错误的 为判断所作的假设是否正确,从总体中 抽取样本,根据样本的取值,按一定的原则 进行检验,然后,作出接受或拒绝所作假设 的决定

提出一种基于支持向量数据描述(support vector data description,SVDD)的生产过程监控、诊断与优化方法.首先,利用正常样本建立SVDD监控模型,获得控制限;然后,利用贡献图对超过控制限的异常点进行诊断,分析引起异常的主要原因;最后,利用邻近点替换法对异常的生产样本进行工艺参数优化.将新方法应用于热轧薄板的生产过程中,结果表明:新方法比传统的监控方法T2 PCA具有更高的检出率,且可以实现对异常点的工艺参数优化,使之回到受控状态

不同样本算得的μ的估计值不同, 因此除了给出μ的点估计外还希望根据 所给的样本确定一个随机区间,使其包含 参数真值的概率达到指定的要求

·第一节显著性检验的基本原理 ·第二节样本均数与总体均数的差异显著性检验 ·第三节两样本平均数的差异显著性检 ·第四节显著性检验中应注意的问题 ·第五节总体均数的区间估计