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

在22种土壤腐蚀性因素的聚类分析的基础上,通过对单个因素分类能力的特征评价,从同类中选取关键性因素,进而在特征空间中进行有关样本的土壤腐蚀性预测和考评,为今后土壤腐蚀性研究中主要因素的选取和等级评判提供一定的依据

本章主要讲述样本,总体,参数与参数空间;直方图与经验分布函数;统计 内容量,x2分布,t分布和F分布;分位数;正态总体的抽样分布等内容

通过相关性数据处理和模糊聚类分析,发现影响大气环境腐蚀性的21种环境因素在相关系数大于0.54的情况下,可明显地聚为5类.在此基础上,进一步通过对逐个因素的分类能力的特征评价,选取大气环境腐蚀性的主要因素(RH>80%时数,SO2沉积速度,水溶性尘降,Cl-沉积速度,NO2浓度),进而在特征空间中进行镀锌层样本的大气环境腐蚀性预测和考评,为今后实现我国大气环境腐蚀性等级评判提供依据

针对标准的FCM算法没有考虑像素的空间信息而对噪声比较敏感和没有考虑不同样本数据对聚类效果的不同影响的不足,提出了一种顾及像素空间信息的基于图像的灰度直方图加权的FCM聚类算法,它在Szilagyi等提出的算法基础上通过引入图像的灰度直方图加权对算法中的目标函数进行修改.对人工合成图像和真实图像的数值模拟结果均显示出该算法的优良性能

2.1随机过程的基本概念和例子 定义2.1.1:设(,F,P)为概率空间,T是某参数集,若对每一个t∈T,(tw 是该概率空间上的随机变量,则称X(t,w)为随机过程(Stochastic Process 随机过程就是定义在同一概率空间上的一族随机变量。随机过程X(tw)可 以看成定义在TxQ上的二元函数,固定wo∈Ω,即对于一个特定的随机试验, 称X(t,wo)为样本路径(Sample Path),或实现(realization),这是通常所观测到的 过程;另一方面,固定t∈T,X(to,w)是一个随机变量,按某个概率分布随机 取值

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

针对漏钢时结晶器铜板温度呈现出的“时间滞后”和“空间倒置”等典型特征，本文通过引入动态时间弯曲(DTW)和机器学习中的密度聚类(DBSCAN)方法，提取、汇集并区分结晶器温度的典型变化模式，在此基础上开发出一种新型的漏钢预报方法。借助动态时间弯曲度量不同拉速、钢种或工艺操作条件下结晶器热电偶温度的相似性，并运用密度聚类方法聚集和分离正常工况、黏结漏钢状况下的温度样本，在此基础上检测和预报结晶器漏钢。结果证实，相较于传统的逻辑判断和人工神经元网络预报结晶器漏钢的方法，基于聚类的漏钢预报方法无需人为设置阈值或参数，能够依据漏钢历史样本中温度变化的共性规律，提取并融合热电偶温度在时间、空间上典型的变化特征，准确区分和预报结晶器漏钢，具有较好的自适应性和鲁棒性

基于最优分类线的概念,提出了一种新的模式识别分类器构建方法——判别域界面几何法.该方法利用BP神经网络的高度非线性,将模式类样本数据从高维输入空间映射至二维判别域空间后,采用多边形中轴提取方法,构造模式类间隙多边形的中轴线,延伸至整个二维判别域空间,生成模式类决策边界.以铁路货车车轮用双列圆锥滚子轴承的故障诊断为例,介绍了判别域界面几何法的应用过程.结果表明,判别域界面几何法能在二维判别域空间上给出各不同故障模式类之间明确的界限,这就给操作者直观判断故障模式类别提供了条件

在冶金、化工等流程型工业领域,生产中的过程控制参数往往具有高维非线性结构特征.为了解决这类高维复杂数据的异常点检测问题,本文引入了软超球体的概念,采用非线性核函数将原始数据映射到高维的特征空间,并在特征空间中确定软超球体的边界.通过检测待识别样本映射到特征空间的位置信息来判定过程参数的设定值是否为异常点,从而避免出现批量的产品质量问题.以某类汽车用钢为应用实例,对实际生产数据进行检测,证明了所提出的基于软超球体的异常点识别算法对于高维的非线性数据具有良好的检测能力