5G标准下的蜂窝网络正在向异构化、超密集化的方向发展，传统的基于六边形网格模型的研究方法较为理想化且并不精确，越来越不适用于如今的异构网络.针对这个问题，目前常用的方法是使用基于随机几何的泊松点过程来研究异构网络的基站部署，这种方法假设基站的空域分布完全随机，因此得到了覆盖概率的理论下界.但是由于宏蜂窝边缘（盲区）以及热点地区（忙区）等特殊区域中，站点的分布可能形成簇，此时，基于泊松点过程的空域分布将不再准确.针对这个问题，本文使用泊松簇过程研究三层异构蜂窝网络的基站部署与规划.首先，提出基于泊松簇过程的基站部署系统模型，讨论了基于簇分布的基站形成过程；其次，在充分分析用户受到的聚集干扰基础上，采用基于瞬时信干噪比的小区选择机制，推导出了中断概率模型，并讨论了三种特殊条件下的中断概率；最后，通过仿真对比分析了基于泊松簇过程与泊松点过程的中断概率的差异以及信干噪比阈值变化时的中断概率的变化曲线，证明了基于簇的空域基站部署具有更低的中断概率

我们在第一章就已经知道，推论统计有两个基本内容：①假设检验；②参数估计。有了概率和概率分布的知识，接下来我们要逐步掌握统计检验的一般步骤。既然按照数学规则得到的概率都不能用经验方法准确求得，于是，理论概率和经验得到的频率之间肯定存在某种差别，这就引出了实践检验理论的问题。随机变量的取值状态不同，其概率分布的形式也就不同。本章我们不仅要引出二项分布和正态分布这两个著名的概率分布，并且要将它们与抽样调查联系起来，以领会统计检验，并逐步拓宽其应用面。 第一节 二项分布 第二节 统计检验的基本步骤 第三节 正态分布 第四节 中心极限定理 第五节 总体均值和成数的单样本检验

推论统计有两个基本内容：①假设检验；②参数估计。有了概率和概率分布的知识，接下来我们要逐步掌握统计检验的一般步骤。既然按照数学规则得到的概率都不能用经验方法准确求得，于是，理论概率和经验得到的频率之间肯定存在某种差别，这就引出了实践检验理论的问题。随机变量的取值状态不同，其概率分布的形式也就不同。本章我们不仅要引出二项分布和正态分布这两个著名的概率分布，并且要将它们与抽样调查联系起来，以领会统计检验，并逐步拓宽其应用面

• 贝叶斯规则 • 基于观察值，将类先验概率 和类条件密度转化为后验概率 • 贝叶斯决策 • 最小化总风险 • 最小化误差概率：选择最大后验概率的类别 • 贝叶斯决策是理论上的最优决策，贝叶斯风险是理论上的最小风险 • 判别函数 • 判决区域和判决边界 • 多元高斯概率密度函数 • 假设类条件概率密度满足高斯分布 • 判别函数 • 判决面

• 概率基础知识 • 概率排序原理 • 二元假设检验与概率排序原理 • 概率排序的实现方式 • BIM模型 • 二值独立概率模型BIM • BIM排序函数的推导 • RSV的估算方法 • BM25模型

第一讲随机事件与概率 内容提要 (1)事件间的关系与运算(四种关系,三种运算) (2)概率及其简单性质(古典溉型,几何溉型,求逆公式,加法公式,减法公式) (3)条件概率及三大公式(乘法公式,全概率公式, Bayes公式) (4)事件独立性与Bernoulli概型(独立性的实质及应用, Bernoulli概型的三个模型)

第四单元古典概型与概率性质 一、学习目标 通过本节课的学习,会计算简单的古典概型的概率问题掌握概率的性质,为概率的计算打下基础 二、内容讲解 1.古典概型:

1.1随机事件及其概率 1.2古典概率 1.3事件的运算及概率的加法公式

在贝叶斯理论框架下, 提出了一种基于多源数据融合的深埋硬岩隧道围岩参数概率反演方法.首先, 分析硬岩隧道常用的启裂-剥落界限本构模型中围岩单轴抗压强度、启裂强度与抗压强度比及抗拉强度三个参数不确定性来源, 确定其概率统计特征; 其次, 利用粒子群算法优化多输出支持向量机, 建立反映反演参数与隧道监测数据间非线性映射关系的智能响应面; 最后, 结合贝叶斯分析方法构建概率反演模型, 运用马尔科夫链蒙特卡洛模拟算法实现了围岩参数的动态更新.将该方法应用到某深埋硬岩隧道中, 利用反演的围岩参数计算隧道拱顶下沉点、周边收敛点变化值及开挖损伤区深度, 与监测数据吻合较好.结果表明, 该方法可以实现围岩多参数快速概率反演, 更新后的参数可用于硬岩隧道施工安全风险评估与结构可靠性设计

为解决不同边界品位下多金属矿床的储量快速估算问题,针对多金属矿床有用组分之间具有相关性的特点,基于多维概率分布函数建立了多金属矿床储量估算数学模型.以某金铜矿床为例,分析证明了矿床中金、铜品位的概率密度呈对数正态分布,并对金、铜品位分布的相关性特征进行检验.在此基础上将一维概率密度扩展至多维,建立了金铜矿床品位分布的多维概率密度函数,得出了不同边界品位下矿床保有的资源储量,并进行了可靠性验证.结果表明,模型的计算误差在10%以内,符合储量管理的精度要求