密度估計(jì)
- 基于核密度估計(jì)的諧波分布特征表述方法
波電流采用核密度估計(jì)法計(jì)算諧波電流的概率密度函數(shù)，與直接對樣本諧波電流進(jìn)行頻率直方分析相比，核密度估計(jì)的應(yīng)用，可以更好地展現(xiàn)諧波電流在區(qū)間的概率密度分布特征，提高了諧波電流概率區(qū)間分布刻畫的準(zhǔn)確度，為后續(xù)的諧波治理提供了更為精準(zhǔn)的參考依據(jù)，有利于提高電力系統(tǒng)的電能質(zhì)量。1 核密度估計(jì)核密度估計(jì)（kernel density estimation, KDE）是在概率論中用來估計(jì)未知的密度函數(shù)，屬于非參數(shù)檢驗(yàn)方法之一，由Rosenblatt(1955)和Ema
云南電力技術(shù) 2023年6期2024-01-12
- 雙任務(wù)交互下的四段監(jiān)督人群計(jì)數(shù)網(wǎng)絡(luò)
,人群計(jì)數(shù)和密度估計(jì)作為最基本的人群分析方法在近幾年也得到了廣泛研究.傳統(tǒng)的人群計(jì)數(shù)方法包含基于檢測的方法[1]和基于回歸的方法[2],分別通過檢測后計(jì)數(shù)和直接特征回歸來估計(jì)圖中總?cè)藬?shù),其在人群分布相對稀疏和均勻的場景下表現(xiàn)尚可,卻嚴(yán)重囿于密集場景下的人群遮擋問題和由相機(jī)視角造成的多尺度問題.此外,這些方法均僅使用計(jì)數(shù)標(biāo)簽預(yù)測總?cè)藬?shù),并不關(guān)注人群的具體分布狀態(tài),這為各個(gè)場景下的人群狀態(tài)理解帶來了局限性.Pham等人[3]將圖片分塊,然后通過隨機(jī)森林方法學(xué)習(xí)
小型微型計(jì)算機(jī)系統(tǒng) 2023年10期2023-10-18
- 基于核密度估計(jì)的構(gòu)架應(yīng)力譜外推與疲勞壽命分析
非參數(shù)法（核密度估計(jì)法）。由于均值頻次和幅值頻次一般具有明顯的分布特點(diǎn)，早期的參數(shù)法通常采用威布爾分布擬合幅值頻次，正態(tài)分布擬合均值頻次[4]。然而，假設(shè)樣本分布特征受主觀影響較大，對于分布復(fù)雜且隨機(jī)的樣本會(huì)產(chǎn)生較大的擬合誤差[5]。為避免對樣本分布的假設(shè)，Dressler K等[6]首先將核密度估計(jì)運(yùn)用到載荷譜的外推中，提出了基于雨流矩陣的核密度估計(jì)外推方法；宋清椿等[7]將該理論運(yùn)用到農(nóng)業(yè)機(jī)械構(gòu)架應(yīng)力譜編制中，得到了反映構(gòu)架真實(shí)服役情況的載荷譜；牛文鐵
起重運(yùn)輸機(jī)械 2023年1期2023-03-15
- 隨機(jī)相關(guān)性影響的多部件系統(tǒng)剩余壽命預(yù)測
局部最優(yōu)。核密度估計(jì)方法不附加任何假設(shè)，是一種非參數(shù)估計(jì)方法，它從數(shù)據(jù)本身出發(fā)來研究樣本的分布特征。同時(shí)與深度學(xué)習(xí)等方法相比，核密度估計(jì)方法能夠清楚地表征系統(tǒng)退化特征的變化。因此，在預(yù)測與健康管理領(lǐng)域具有較高的關(guān)注度[8]。Hu等[9]提出非參數(shù)核密度估計(jì)方法來估計(jì)風(fēng)速的概率密度函數(shù)，驗(yàn)證了該方法的準(zhǔn)確性和靈活性。Wang等[10]將核密度估計(jì)方法引入魯棒隨機(jī)配置網(wǎng)絡(luò)，以減少噪聲數(shù)據(jù)或離群點(diǎn)對最終學(xué)習(xí)模型的影響。Zhang等[11]提出基于核密度估計(jì)的非線
振動(dòng)與沖擊 2022年21期2022-11-21
- 自適應(yīng)帶寬核密度估計(jì)在旋轉(zhuǎn)機(jī)械劣質(zhì)監(jiān)測數(shù)據(jù)識(shí)別中的應(yīng)用
極值分布及核密度估計(jì)在氣體壓縮機(jī)監(jiān)測過程中異常數(shù)據(jù)的識(shí)別能力，發(fā)現(xiàn)核密度估計(jì)在數(shù)據(jù)流異常時(shí)識(shí)別準(zhǔn)確率最高。值得注意的是，核密度估計(jì)的精度主要取決于帶寬的選擇，不同的帶寬獲得的分布特點(diǎn)不同，其閾值也不同。為了自適應(yīng)選擇帶寬，李國慶等[14]采用漸進(jìn)積分誤差法為擴(kuò)散核函數(shù)選取自適應(yīng)最優(yōu)帶寬,提高了光伏出力模型的局部適應(yīng)性。CHEN等[15]提出了自適應(yīng)加權(quán)局部在線密度估計(jì)，實(shí)現(xiàn)核密度帶寬的自適應(yīng)選擇。牛文鐵等[16]采用四叉樹算法實(shí)現(xiàn)了自適應(yīng)帶寬核密度估計(jì)。上
中國機(jī)械工程 2022年20期2022-10-31
- m-NOD樣本最近鄰密度估計(jì)的相合性
定義為最近鄰密度估計(jì)是一種較常用的非參數(shù)概率密度估計(jì)方法，目前已取得許多研究成果。在相依樣本方面，Boente和Fraiman［2］研究了基于φ-混合和α-混合樣本的最近鄰密度估計(jì)的強(qiáng)相合性；Chai［3］得到了基于φ-混合平穩(wěn)過程的最近鄰密度估計(jì)的強(qiáng)相合性、弱相合性、一致強(qiáng)相合性及其收斂速度；Liu和Zhang［4］建立了φ-混合樣本的最近鄰密度估計(jì)的相合性和漸近正態(tài)性；Yang［5］研究了負(fù)相關(guān)（NA）樣本的最近鄰密度估計(jì)的弱相合性、強(qiáng)相合性、一致強(qiáng)相
- 一種軸承核密度估計(jì)的剩余壽命預(yù)測研究
出一種軸承核密度估計(jì)的非參數(shù)剩余壽命預(yù)測模型，該方法不對數(shù)據(jù)分布附加任何假設(shè)，而是從數(shù)據(jù)本身研究數(shù)據(jù)分布的特點(diǎn)，避免了大多數(shù)數(shù)據(jù)驅(qū)動(dòng)方法需要模型假設(shè)和參數(shù)估計(jì)的問題。該模型在核估計(jì)窗寬的選取上引入局部窗寬因子構(gòu)建自適應(yīng)窗寬模型。模型通過計(jì)算樣本點(diǎn)的密度來自適應(yīng)選擇樣本點(diǎn)窗寬，提高了核密度估計(jì)窗寬選擇的可靠性，從而提高了預(yù)測精度。最后通過軸承磨損試驗(yàn)驗(yàn)證了所提模型的適應(yīng)性和準(zhǔn)確性。1 核密度估計(jì)模型的構(gòu)建核密度估計(jì)方法不利用數(shù)據(jù)分布的先驗(yàn)知識(shí)，不對數(shù)據(jù)分布進(jìn)
機(jī)電工程技術(shù) 2022年7期2022-08-26
- 基于B樣條的概率密度函數(shù)非參數(shù)估計(jì)
的樣本，概率密度估計(jì)就是從觀測數(shù)據(jù)中構(gòu)造密度函數(shù)的估計(jì).概率密度函數(shù)估計(jì)方法主要有三類：參數(shù)化方法、非參數(shù)化方法和半?yún)?shù)估計(jì)方法.參數(shù)概率密度函數(shù)估計(jì)，總是假設(shè)概率密度函數(shù)的參數(shù)形式已知[5]，但在實(shí)際問題中參數(shù)形式的假設(shè)可能會(huì)產(chǎn)生誤導(dǎo)的結(jié)論或結(jié)果.而本文要討論的非參數(shù)密度估計(jì)可以避免概率建模和推理中的參數(shù)假設(shè)，從而為上述問題提供了新的解決思路[6].非參數(shù)密度估計(jì)方法不需要對點(diǎn)樣本分布的參數(shù)形式做事先的假設(shè)，而僅僅從采樣數(shù)據(jù)本身對概率密度函數(shù)做出估計(jì).半
大學(xué)數(shù)學(xué) 2022年3期2022-06-24
- 一種基于雜波稀疏度改進(jìn)的雜波密度估計(jì)方法
確估計(jì)。雜波密度估計(jì)方法可分為單幀雜波密度估計(jì)方法和多幀雜波密度估計(jì)方法。多幀雜波密度估計(jì)方法[13-14]利用多幀歷史測量信息估計(jì)當(dāng)前幀測量的雜波密度，能有效降低目標(biāo)測量對雜波密度估計(jì)的影響。單幀雜波密度估計(jì)方法可以分為基于航跡和基于測量集2類?；诤桔E的傳統(tǒng)雜波密度估計(jì)方法[15]提出利用門限內(nèi)測量的平均雜波個(gè)數(shù)與門限超球體體積的比值計(jì)算雜波密度但容易導(dǎo)致估計(jì)結(jié)果不穩(wěn)定?；诳臻g稀疏度的雜波密度估計(jì)(Spatial Clutter Measuremen
無線電工程 2022年3期2022-03-29
- 多維性能極限狀態(tài)下概率地震需求分析的多元相關(guān)核密度估計(jì)法
提出了基于核密度估計(jì)的分析方法。該方法不需要人為假定EDP 分布類型，并且得到的易損性曲線與蒙特卡洛（MC）法更為接近。但文中僅針對單一EDP 建立了易損性曲線，沒有考慮多種EDP 聯(lián)合作用下結(jié)構(gòu)的破壞形式；并且文中僅涉及了地震易損性，并未考慮場地危險(xiǎn)性，因此研究內(nèi)容并不完善。本文考慮結(jié)構(gòu)的多維性能極限狀態(tài)，提出基于多元核密度估計(jì)的概率地震需求分析法。這種方法不對EDP 的分布類型進(jìn)行人為假定，并在傳統(tǒng)核密度估計(jì)中引入對隨機(jī)變量相關(guān)性的描述，使結(jié)果更具一般
振動(dòng)工程學(xué)報(bào) 2022年6期2022-02-15
- 基于核密度估計(jì)的拖拉機(jī)傳動(dòng)軸載荷外推方法
數(shù)法是基于核密度估計(jì)(Kernel density estimation，KDE)的思想對雨流矩陣進(jìn)行外推，可以直接得出任意載荷的密度值，克服分布函數(shù)擬合的缺陷，為多峰復(fù)雜載荷的精確擬合提供了解決辦法。李鶯鶯等[7]采用非參數(shù)估計(jì)方法對挖掘機(jī)液壓泵載荷進(jìn)行外推，得到全生命周期內(nèi)每個(gè)載荷循環(huán)可能出現(xiàn)的頻次，而且可以保證每個(gè)遲滯回環(huán)的結(jié)構(gòu)不被破壞。張曉晨等[8]選擇基于載荷擴(kuò)展的非參數(shù)外推方法分別對液壓挖掘機(jī)的4個(gè)作業(yè)段進(jìn)行外推，獲得全壽命下的長期載荷譜。李研
- 基于改進(jìn)非參數(shù)核密度估計(jì)的光伏出力概率分布建模方法
析精度低。核密度估計(jì)模型是一種數(shù)據(jù)驅(qū)動(dòng)的統(tǒng)計(jì)模型，是基于歷史數(shù)據(jù)的統(tǒng)計(jì)學(xué)方法，從而掌握特定地區(qū)或特定光伏出力的隨機(jī)分布特征[5-6]。文獻(xiàn)[7]創(chuàng)建了一種基于正交級(jí)數(shù)密度估計(jì)的光伏出力概率建模方法，能夠準(zhǔn)確模擬在不同地區(qū)不同時(shí)段下光伏出力的分布規(guī)律，并且在應(yīng)用中表現(xiàn)出高適用性、計(jì)算簡便等性能優(yōu)勢。文獻(xiàn)[8]基于解集與條件核密度估計(jì)理論構(gòu)建了光伏出力的時(shí)序概率模型，能夠計(jì)及太陽輻射度的小時(shí)輻射和日總輻射之間的加和特性，適用于多種現(xiàn)實(shí)場景。文獻(xiàn)[9]提出將數(shù)據(jù)
燕山大學(xué)學(xué)報(bào) 2021年5期2021-10-11
- 基于改進(jìn)核密度估計(jì)的電動(dòng)出租車快速充電行為研究
隨機(jī)森林和核密度估計(jì)組成的集成模型對充電持續(xù)時(shí)間、充電能量消耗的預(yù)測；基于監(jiān)督學(xué)習(xí)方法進(jìn)行電動(dòng)汽車充電行為的聚類分析，如Shen等[4]使用K均值聚類算法將充電行為分為3類；基于深度學(xué)習(xí)模型進(jìn)行充電負(fù)荷預(yù)測研究，如Zhu等[5]使用RNN模型預(yù)測公用充電站的逐時(shí)充電負(fù)荷。目前充電行為特征變量的概率建模主要基于傳統(tǒng)參數(shù)估計(jì)模型，然而該方法需要提前假設(shè)服從某種分布，然后依據(jù)歷史樣本數(shù)據(jù)估計(jì)該分布的參數(shù)，如果假設(shè)的概率分布與實(shí)際情況不符合，就會(huì)導(dǎo)致計(jì)算偏差較大。
交通運(yùn)輸系統(tǒng)工程與信息 2021年4期2021-08-28
- 基于貝葉斯序列分割的高維時(shí)間序列在線分類算法
法[7]使用密度估計(jì)算法評估時(shí)間序列之間的相似性，實(shí)現(xiàn)快速的在線分類處理。密度估計(jì)的準(zhǔn)確性是此類時(shí)間序列分類算法的關(guān)鍵部分，核密度估計(jì)(Kernel Density Estimation,KDE)[8]是最為常用的一種方法，但該方法無法應(yīng)用于高維數(shù)據(jù)，而其他的非參數(shù)化密度估計(jì)方法[9]對高維數(shù)據(jù)的時(shí)間效率較低，難以滿足在線密度估計(jì)的要求。動(dòng)態(tài)時(shí)間規(guī)整解決了時(shí)間序列的不對準(zhǔn)問題，對低維度數(shù)據(jù)流的效果較好，但是高維時(shí)間序列包含豐富的時(shí)空信息，動(dòng)態(tài)時(shí)間規(guī)整則忽略
計(jì)算機(jī)應(yīng)用與軟件 2021年8期2021-08-12
- 人群密度估計(jì)現(xiàn)狀與發(fā)展趨勢探討
1.3 基于密度估計(jì)的方法基于密度估計(jì)的方法不僅可以一定程度上消除遮擋與背景雜波的影響，而且也能解決回歸模型無法得到人群空間信息的問題。Lemptisky等人[3]通過學(xué)習(xí)局部特征與密度圖之間的線性映射將空間信息引入到密度估計(jì)模型中。Pham等人利用隨機(jī)森林建立了圖像與密度圖之間的非線性映射，取得了不錯(cuò)的結(jié)果。2 基于CNN的方法傳統(tǒng)方法特別是基于密度估計(jì)的方法使人群密度估計(jì)任務(wù)的效果得到了提升，但是其使用的特征往往受制于人工提取煩瑣復(fù)雜的缺點(diǎn)，無法適應(yīng)尺
科學(xué)與信息化 2021年17期2021-06-28
- 基于核密度波動(dòng)的異常檢測算法
卒中數(shù)據(jù)。核密度估計(jì)是一種常用非參數(shù)統(tǒng)計(jì)模型，是從數(shù)據(jù)本身出發(fā)，對數(shù)據(jù)特征和分布進(jìn)行描述。Xu等人[10]運(yùn)用核密度估計(jì)方法獲得對交通流量數(shù)據(jù)最優(yōu)估計(jì)的概率密度函數(shù)，然后建立信念函數(shù)來檢測數(shù)據(jù)中的異常值。Latecki[11]為克服數(shù)據(jù)點(diǎn)間的歐式距離過小導(dǎo)致的密度估計(jì)值較大的情況，運(yùn)用局部密度估計(jì)代替歐氏距離計(jì)算密度估計(jì)值。這些方法的研究與應(yīng)用足以證明核密度估計(jì)方法在異常檢測領(lǐng)域的優(yōu)越性。在基于核密度估計(jì)的異常檢測算法中，常常認(rèn)為異常點(diǎn)具有相對較低的核密度
計(jì)算機(jī)工程與應(yīng)用 2021年12期2021-06-23
- 基于非參數(shù)核密度估計(jì)法的車輛大數(shù)據(jù)服役載荷外推方法
于參數(shù)法概率密度估計(jì)，研究了某大型營運(yùn)客車在用戶道路載荷條件下軸頭和質(zhì)心三向加速度幅值、前懸穩(wěn)定桿扭轉(zhuǎn)和平衡梁彎曲應(yīng)變幅值的概率密度分布。趙禮輝等[8]基于參數(shù)法概率密度估計(jì)，建立了用戶使用條件下輕型商用車年行駛里程、行駛車速和載重等的概率密度分布模型。在用戶實(shí)際使用過程中，車輛承受的載荷環(huán)境復(fù)雜多變，通常難以用固定形式的概率密度分布函數(shù)對載荷的分布進(jìn)行擬合，導(dǎo)致參數(shù)法概率密度估計(jì)應(yīng)用的局限性。非參數(shù)法概率密度估計(jì)不需要假設(shè)變量的分布函數(shù)形式，概率密度估計(jì)
中國機(jī)械工程 2021年11期2021-06-23
- 淺析人群密度檢測算法及其在機(jī)場的應(yīng)用
0）1 人群密度估計(jì)算法人群密度估計(jì)算法的發(fā)展歷程可歸結(jié)為3個(gè)階段：一是基于檢測的方法。早期研究大部分集中在基于檢測的方法，使用類似移動(dòng)窗口的檢測器來檢測并統(tǒng)計(jì)人數(shù)。這些方法要求訓(xùn)練有素的分類器，從整個(gè)人體中提取低級(jí)特征，例如Haar 小波和HOG（方向梯度直方圖）。然而，由于大多數(shù)目標(biāo)對象被遮蓋，它們在高度擁擠的場景上表現(xiàn)不佳。二是基于回歸的方法。因基于檢測的方法無法適用于高度擁擠的場景，學(xué)者們嘗試研究基于回歸的方法來學(xué)習(xí)提取自裁剪圖像中特征之間的相互關(guān)
數(shù)字通信世界 2021年5期2021-06-04
- 基于MATLAB 的核密度估計(jì)研究
統(tǒng)計(jì)研究中，密度估計(jì)一直是一個(gè)極其重要的熱門研究問題。 其研究成果被廣泛應(yīng)用到經(jīng)濟(jì)學(xué)、社會(huì)學(xué)以及生物統(tǒng)計(jì)等領(lǐng)域[1-4]。 特別是當(dāng)前大數(shù)據(jù)時(shí)代，如何對數(shù)據(jù)進(jìn)行高效地分析處理以便找出數(shù)據(jù)之間的特征規(guī)律就顯得尤其重要。密度估計(jì)作為數(shù)據(jù)分析的一種有效工具，能夠高效地找到數(shù)據(jù)所蘊(yùn)含的分布規(guī)律，這為后續(xù)數(shù)據(jù)分析處理提供了重要的參考依據(jù)。密度估計(jì)研究的本質(zhì)問題是如何高效地利用觀測數(shù)據(jù)找到數(shù)據(jù)的分布規(guī)律。常規(guī)密度估計(jì)方法分為參數(shù)估計(jì)和非參數(shù)估計(jì)兩類。參數(shù)估計(jì)方法需要事
科技視界 2021年4期2021-04-13
- 一種基于改進(jìn)Unet的蝦苗密度估計(jì)方法
net的蝦苗密度估計(jì)算法。鑒于現(xiàn)有蝦苗數(shù)據(jù)集不足，收集并標(biāo)記了一個(gè)針對蝦苗計(jì)數(shù)的數(shù)據(jù)集（Dlou_Shrimp）。在該數(shù)據(jù)集上對所提出的算法進(jìn)行了測試，實(shí)驗(yàn)結(jié)果表明該算法可以解決蝦苗計(jì)數(shù)中的遮擋與粘連問題，可為其他領(lǐng)域的密度估計(jì)提供全新的思路。關(guān)鍵詞：蝦苗計(jì)數(shù);密度估計(jì);神經(jīng)網(wǎng)絡(luò);深度學(xué)習(xí)中圖分類號(hào)：TP273+.4? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2021）17-0012-06Abstract： Smart ocean is the b
現(xiàn)代信息科技 2021年17期2021-04-05
- 基于自適應(yīng)帶寬核密度估計(jì)的載荷外推方法研究
深入，基于核密度估計(jì)法的非參數(shù)估計(jì)方法被應(yīng)用于載荷外推中，該方法既可很好地保留載荷數(shù)據(jù)本身的分布規(guī)律，又能實(shí)現(xiàn)對任意載荷分布的擬合。李凡松等[12]采用基于自適應(yīng)帶寬的核密度估計(jì)方法進(jìn)行載荷外推，每一個(gè)數(shù)據(jù)點(diǎn)都有其自身對應(yīng)的帶寬，該方法相較于固定帶寬的核密度估計(jì)方法具有更好的擬合效果。本文針對核密度估計(jì)載荷非參數(shù)外推方法中帶寬的選擇問題，結(jié)合改進(jìn)的四叉樹分割算法，對核密度估計(jì)的帶寬計(jì)算進(jìn)行優(yōu)化，提出一種改進(jìn)的自適應(yīng)帶寬核密度估計(jì)的載荷外推方法。以玉米收獲機(jī)
農(nóng)業(yè)機(jī)械學(xué)報(bào) 2021年1期2021-02-01
- 非線性自回歸模型誤差密度估計(jì)的Berry-Esseen界
機(jī)變量序列核密度估計(jì)的Berry-Esseen 界可達(dá)O((nhn)-1/2)； 文獻(xiàn)[10-11]研究了不同情形下的Berry-Esseen界問題. 本文基于文獻(xiàn)[9], 給出非線性自回歸模型誤差密度估計(jì)的Berry-Esseen界.下面給出模型(1)的誤差核密度函數(shù). 假設(shè)核函數(shù)K(·)是上給定的Borel可測函數(shù), 窗寬hn>0是與n有關(guān)的常數(shù), 滿足模型(1)的誤差密度估計(jì)為(2)下面給出幾個(gè)基本假設(shè).(3)(H3) 假設(shè)K是上的有界變差函數(shù),K″
吉林大學(xué)學(xué)報(bào)（理學(xué)版） 2021年1期2021-01-18
- 魚類目標(biāo)的密度估計(jì)模型
度學(xué)習(xí)在人群密度估計(jì)方面取得了優(yōu)越的發(fā)展并應(yīng)用于公共安全事業(yè)中。人群密度估計(jì)事先獲得人群圖像的密度圖，密度圖表示了場景中人群分布情況，對密度圖積分或求和就能獲得場景中的人群總數(shù)。目前人群密度估計(jì)在ShanghaiTech[23]、UCSD[24]、UCF_CC_50[25]等開源數(shù)據(jù)集上都獲得了較高的 估計(jì)精度。雖然人群密度估計(jì)取得了較大成功，但是基于深度學(xué)習(xí)的密度圖估計(jì)方法目前并沒有在水產(chǎn)養(yǎng)殖業(yè)中嘗試過?；诖?，本文提出一個(gè)用于魚類目標(biāo)密度估計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)
哈爾濱工程大學(xué)學(xué)報(bào) 2020年10期2020-12-15
- 基于核微分同胚變換的實(shí)時(shí)剩余壽命預(yù)測
模型?；诤?span id="j5i0abt0b" class="hl">密度估計(jì)(Kernel Density Estimation, KDE)的實(shí)時(shí)剩余壽命預(yù)測方法，從數(shù)據(jù)本身出發(fā)研究其分布特征，不對數(shù)據(jù)分布形式做任何假設(shè),可避免現(xiàn)有許多數(shù)據(jù)驅(qū)動(dòng)方法壽命預(yù)測時(shí)需要模型結(jié)構(gòu)假設(shè)及參數(shù)估計(jì)的問題。但預(yù)測模型中的核密度估計(jì)，大多利用的是傳統(tǒng)核密度估計(jì)[12-16]，定義域是整個(gè)實(shí)數(shù)域。在許多實(shí)際情況下，研究變量往往并不是在整個(gè)實(shí)數(shù)域都有定義，而是存在一個(gè)邊界或兩個(gè)邊界的有界區(qū)間。傳統(tǒng)核密度估計(jì)在用于有界區(qū)間變量的概率密
計(jì)算機(jī)集成制造系統(tǒng) 2020年10期2020-11-16
- 基于一類二元多小波函數(shù)的密度估計(jì)
個(gè)基本問題。密度估計(jì)分為參數(shù)估計(jì)和非參數(shù)估計(jì)，對于后者，直方圖估計(jì)、核估計(jì)以及k-近鄰估計(jì)等都是研究的重點(diǎn)[1-2]。隨著小波理論的完善，加上其具有諸如正交性、緊支性、多分辨分析(MRA)等優(yōu)良特性，使得小波分析的應(yīng)用成為近年來非參數(shù)統(tǒng)計(jì)與計(jì)量研究的熱點(diǎn)。1988年，Doukhan[3]首先提出了小波密度估計(jì)的概念。隨后，許多學(xué)者對此進(jìn)行研究，并給出了收斂階的證明[4-5]。但由于單小波不能同時(shí)滿足正交性、對稱性及緊支性，在實(shí)際應(yīng)用中造成了很大困擾，基于此
- 基于核密度估計(jì)的實(shí)時(shí)剩余壽命預(yù)測
樣本模型。核密度估計(jì)方法是一種數(shù)據(jù)驅(qū)動(dòng)的方法，但該方法對數(shù)據(jù)分布的形式不作任何假定，是從數(shù)據(jù)本身出發(fā)研究數(shù)據(jù)分布特征的非參數(shù)估計(jì)方法[15-16]。核密度估計(jì)方法常用于分類中，Zhang等[17]提出一種對旋轉(zhuǎn)機(jī)械的故障類型進(jìn)行區(qū)分的方法，對表征類型故障的特征，通過加入測試樣本前后概率密度相對熵之間的比較，來判斷屬于哪種類型的故障，其中利用核密度估計(jì)的方法求概率密度;李存華等[18]提出一種基于核密度估計(jì)的數(shù)據(jù)聚類分析方法，對基于網(wǎng)格數(shù)據(jù)重心分箱后的數(shù)據(jù)點(diǎn)
計(jì)算機(jī)集成制造系統(tǒng) 2020年7期2020-08-21
- 基于深度特征的人群密度估計(jì)方法
。其中，人群密度估計(jì)是人群分析中十分重要的一部分。人群密度估計(jì)是指對圖像或視頻幀中的一定區(qū)域內(nèi)所包含的人數(shù)進(jìn)行估計(jì)，通過人群密度情況來反映該區(qū)域內(nèi)的人群聚集情況。人群密度估計(jì)問題一般使用人群密度等級(jí)分類的方式予以解決，其大致步驟為：首先，通過對人群圖像中一定區(qū)域進(jìn)行人群特征提?。蝗缓?，利用提取的特征訓(xùn)練分類器；最后，使用訓(xùn)練得到的分類器對給定圖像的人群密度等級(jí)進(jìn)行劃分。1 相關(guān)工作在人群密度估計(jì)領(lǐng)域，已經(jīng)有許多人進(jìn)行了相關(guān)的研究，并提出了一些解決方法。這些
浙江工業(yè)大學(xué)學(xué)報(bào) 2020年3期2020-06-01
- 一種改進(jìn)的可適應(yīng)變寬核密度估計(jì)器
8060概率密度估計(jì)[1-2]是統(tǒng)計(jì)模式識(shí)別領(lǐng)域的一個(gè)重要研究方向，如何基于已有的數(shù)據(jù)集獲得其未知的概率分布對于眾多有監(jiān)督機(jī)器學(xué)習(xí)算法的訓(xùn)練有至關(guān)重要的作用，例如貝葉斯分類器[3]、概率神經(jīng)網(wǎng)絡(luò)[4]和改型決策樹[5]等．帕爾森窗口法[6]是一種經(jīng)典的概率密度估計(jì)方法，又稱核密度估計(jì)法．它是利用多個(gè)正態(tài)分布的疊加平均去擬合未知的概率分布，其中正態(tài)分布的均值為已知的數(shù)據(jù)點(diǎn)，方差為窗口寬度．窗口寬度對于概率密度估計(jì)的效果起著至關(guān)重要的作用：較小的窗口寬度將導(dǎo)致
深圳大學(xué)學(xué)報(bào)（理工版） 2019年6期2019-11-21
- 基于非參數(shù)核密度估計(jì)與Copula方法的山東省小麥?zhǔn)杖氡ｋU(xiǎn)定價(jià)研究
表明非參數(shù)核密度估計(jì)更加靈活，且能夠體現(xiàn)出單產(chǎn)損失數(shù)據(jù)的非對稱性和左偏性特點(diǎn)。文獻(xiàn)[8]分別采用參數(shù)法和非參數(shù)法厘定了我國糧食單產(chǎn)純費(fèi)率，發(fā)現(xiàn)非參數(shù)核密度法厘定的費(fèi)率結(jié)果更為準(zhǔn)確，更加符合實(shí)際。在確定了單產(chǎn)、價(jià)格邊緣分布的基礎(chǔ)上，如何確定其聯(lián)合分布至關(guān)重要，Copula理論的出現(xiàn)及發(fā)展使這一問題得到解決。Tejeda通過Copula方法發(fā)現(xiàn)農(nóng)作物單產(chǎn)與價(jià)格之間存在微弱負(fù)相關(guān)性，并得出在風(fēng)險(xiǎn)“對沖效應(yīng)”下，收入保險(xiǎn)相較于產(chǎn)量保險(xiǎn)具有更低費(fèi)率的結(jié)論[3]。隨后
- NSD樣本最近鄰密度估計(jì)的強(qiáng)相合性
x)的最近鄰密度估計(jì)為又設(shè)F(x)是密度函數(shù)f(x)的分布函數(shù),其對應(yīng)的Fn(x)是樣本X1,X2,···,Xn的經(jīng)驗(yàn)分布函數(shù).最近鄰密度估計(jì)(nearest neighbor估計(jì),簡記為NN估計(jì))的概念是由Loftsgarden等[1]在1965年提出來的.關(guān)于最近鄰密度估計(jì)的性質(zhì),在獨(dú)立樣本情形下已有許多研究結(jié)果[1?4].在相依樣本情形下,蘭沖鋒[5?6]研究了END樣本最近鄰密度估計(jì)的強(qiáng)相合速度、NQD樣本最近鄰密度估計(jì)的一致強(qiáng)相合速度,曾翔[7]
應(yīng)用數(shù)學(xué) 2019年4期2019-10-16
- 巖體結(jié)構(gòu)面模擬的統(tǒng)計(jì)方法改進(jìn)研究
計(jì)方法中，核密度估計(jì)方法[11]在樣本不能較好服從已知分布的情況下，可以模擬得到與樣本較一致的隨機(jī)數(shù)。鑒于此，本文針對目前結(jié)構(gòu)面模擬中存在的問題，利用現(xiàn)場采集的結(jié)構(gòu)面數(shù)據(jù)，使用定量方法確定結(jié)構(gòu)面要素的分布類型及數(shù)據(jù)帶寬，通過核密度估計(jì)方法提高結(jié)構(gòu)面模擬精度，并針對傳統(tǒng)蒙特卡洛方法，提出了新的工作思路，以簡化工作流程。1 研究區(qū)概況本文采集數(shù)據(jù)源于我國西南某在建大型水電站壩基右岸巖體(見圖1)。該水電站壩址位于金沙江下游，高原深谷地貌，呈不對稱“V”字形峽谷
水力發(fā)電 2019年4期2019-07-25
- 新建住宅與二手住宅價(jià)格指數(shù)關(guān)系的研究分析*
計(jì)方法——核密度估計(jì)在統(tǒng)計(jì)學(xué)中，往往需要根據(jù)樣本數(shù)據(jù)去推斷總體的分布，即密度函數(shù)。如果采用參數(shù)估計(jì)的方法，則要先假定總體分布的具體形式，如總體服從正態(tài)分布N(μ，δ2)，然后利用樣本數(shù)據(jù)去估計(jì)參數(shù)μ和δ2，從而得到總體的密度函數(shù)。但若真實(shí)總體與假定分布相差甚遠(yuǎn)，則根據(jù)參數(shù)估計(jì)法得出的統(tǒng)計(jì)推斷可能具有較大偏差。而非參數(shù)估計(jì)[5]的方法可以在不假設(shè)總體分布的情況下進(jìn)行密度函數(shù)的估計(jì)，從而降低誤差。選取非參數(shù)估計(jì)中的核密度估計(jì)對新建住宅和二手住宅的銷售價(jià)格指數(shù)進(jìn)
- 互聯(lián)網(wǎng)金融產(chǎn)品收益率的對比分析
利用非參數(shù)核密度估計(jì)方法，根據(jù)天天基金網(wǎng)統(tǒng)計(jì)的兩款基金每七日年化收益率數(shù)據(jù)，對余額寶和云商寶的收益進(jìn)行了對比分析，為更好地認(rèn)識(shí)并運(yùn)用互聯(lián)網(wǎng)金融產(chǎn)品提供參考。一、非參數(shù)估計(jì)方法—核密度估計(jì)方法當(dāng)需要研究某類現(xiàn)象的規(guī)律時(shí)，學(xué)者通常的做法是利用從總體中隨機(jī)抽取的樣本數(shù)據(jù)去估計(jì)總體的概率密度函數(shù)，進(jìn)而對特定隨機(jī)變量進(jìn)行研究分析。密度函數(shù)的估計(jì)方法分為兩種：參數(shù)估計(jì)和非參數(shù)估計(jì)。參數(shù)估計(jì)的核心在于預(yù)先假定總體服從于某個(gè)己知的、只含有少數(shù)未知參數(shù)的數(shù)學(xué)分布，然后利用樣
- 基于核密度估計(jì)的互聯(lián)網(wǎng)金融產(chǎn)品收益率對比分析*
計(jì)方法——核密度估計(jì)對股票收益率進(jìn)行擬合取得了顯著不錯(cuò)的成果。非參數(shù)估計(jì)一般不對數(shù)據(jù)的分布作任何假定，估計(jì)的結(jié)果更加穩(wěn)健[8]。在已有傳統(tǒng)金融產(chǎn)品研究的基礎(chǔ)上，本文使用非參數(shù)估計(jì)方法中的核密度估計(jì)對互聯(lián)網(wǎng)金融產(chǎn)品——余額寶和財(cái)富寶二者收益率進(jìn)行估計(jì)及對比。1 核密度估計(jì)在統(tǒng)計(jì)學(xué)中，往往需要根據(jù)樣本數(shù)據(jù)去推斷總體的分布，即密度函數(shù)。如果采用參數(shù)估計(jì)的方法，則要先假定總體分布的具體形式，如總體服從正態(tài)分布N(μ，σ2)，然后利用樣本數(shù)據(jù)去估計(jì)參數(shù)(μ，σ2)，
- 人數(shù)統(tǒng)計(jì)與人群密度估計(jì)技術(shù)研究現(xiàn)狀與趨勢
數(shù)統(tǒng)計(jì)和人群密度估計(jì)領(lǐng)域。自動(dòng)可靠地獲取監(jiān)控中的人數(shù)或者人群密度，不僅能對一些人群異常情況進(jìn)行自動(dòng)預(yù)警和報(bào)警，而且還能用于人群模擬、人群行為和人群心理學(xué)的研究。人數(shù)統(tǒng)計(jì)和人群密度估計(jì)屬于智能監(jiān)控范疇，目前已有較多的工作對智能監(jiān)控和人群分析方面進(jìn)行了總結(jié)和闡述。黃凱奇等人[1]從底層、中層、高層對智能監(jiān)控計(jì)數(shù)進(jìn)行了分類，并分析了一些典型算法的優(yōu)缺點(diǎn)以及總結(jié)了待解決的問題和難點(diǎn)；文獻(xiàn)[2-4]闡述了很多人群分析技術(shù)，文獻(xiàn)[2]從人群特征提取、人群建模和人群事件
計(jì)算機(jī)工程與科學(xué) 2018年2期2018-03-06
- 基于核密度估計(jì)的AM-MCMC算法在徑流模擬中的應(yīng)用
08)基于核密度估計(jì)的AM-MCMC算法在徑流模擬中的應(yīng)用童坤1，2，劉恒1，耿雷華1，徐澎波1(1.南京水利科學(xué)研究院 水文水資源與水利工程科學(xué)國家重點(diǎn)實(shí)驗(yàn)室, 南京 210029； 2.中國科學(xué)院南京地理與湖泊研究所 中國科學(xué)院流域地理學(xué)重點(diǎn)實(shí)驗(yàn)室，南京 210008)無資料或資料稀缺地區(qū)的徑流概率模擬， 是目前水文研究難點(diǎn)問題之一。 基于此, 利用Kernal核密度估計(jì)法估算出流量的月徑流概率密度函數(shù)， 采用基于自適應(yīng)采樣算法(Adaptive Me
長江科學(xué)院院報(bào) 2018年1期2018-01-10
- 基于網(wǎng)絡(luò)約束方法的交通事故空間點(diǎn)格局分析
用的方法是核密度估計(jì)方法[15-17]。核密度估計(jì)采用鐘形密度函數(shù)進(jìn)行交通事故點(diǎn)分布分析，被拓展到網(wǎng)絡(luò)空間，即網(wǎng)絡(luò)核密度估計(jì)，然而，網(wǎng)絡(luò)核密度估計(jì)作為描述性分析方法，其估計(jì)結(jié)果缺少定量的統(tǒng)計(jì)檢驗(yàn)[18-21]。因此，本文以武漢市交通事故展開研究，將核密度估計(jì)進(jìn)行道路網(wǎng)絡(luò)空間擴(kuò)展，提出網(wǎng)絡(luò)核密度估計(jì)方法探究交通事故的空間分布模式；并使用網(wǎng)絡(luò)Moran's I方法對核密度估計(jì)結(jié)果進(jìn)行統(tǒng)計(jì)顯著性評價(jià)，揭示交通事故易發(fā)路段，以期為城市公共交通的健康發(fā)展提供科學(xué)參考
地理信息世界 2017年6期2017-10-17
- 基于圖像特征與競爭型神經(jīng)網(wǎng)絡(luò)的蟹苗密度估計(jì)
經(jīng)網(wǎng)絡(luò)的蟹苗密度估計(jì)張 帆 徐建瑜(寧波大學(xué)信息科學(xué)與工程學(xué)院 浙江 寧波 315211)蟹苗的密度估計(jì)在蟹苗養(yǎng)殖中有著重要的意義。但現(xiàn)有的基于圖像處理的密度估計(jì)算法不能對蟹苗圖像進(jìn)行準(zhǔn)確地密度估計(jì)，因此提出一種基于圖像特征與競爭型神經(jīng)網(wǎng)絡(luò)的蟹苗密度估計(jì)算法。首先引入背景建模與噪聲處理得到前景圖像像素?cái)?shù)；然后使用閾值區(qū)分高密度圖像和低密度圖像；最后對閾值上下圖像分別采用基于全局特征的密度等級(jí)分類算法和基于局部特征的線性回歸算法。其中蟹苗圖像的密度等級(jí)由競爭
計(jì)算機(jī)應(yīng)用與軟件 2017年8期2017-08-12
- END樣本最近鄰密度估計(jì)漸近正態(tài)性的收斂速度
D樣本最近鄰密度估計(jì)漸近正態(tài)性的收斂速度李藝璇(湖北大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)學(xué)院,湖北 武漢 430062)在END樣本下研究最近鄰密度估計(jì)的漸近正態(tài)性.在適當(dāng)?shù)臈l件下給出最近鄰密度估計(jì)漸近正態(tài)性的收斂速度,這個(gè)速度幾乎達(dá)到n-1/2.END序列;最近鄰密度估計(jì);漸近正態(tài)性0 引言END的概念是Lin[2]于2009年提出的，是一類比NOD[3]更弱的相依變量,不僅可以取為負(fù)相依,還可以取為正相依, 在保險(xiǎn)與金融數(shù)學(xué)、復(fù)雜性系統(tǒng)、可靠性理論、生存分析等領(lǐng)域都有著廣
- 基于正交級(jí)數(shù)的光伏電源輸出功率概率模型
較為廣泛的核密度估計(jì)模型，該模型的核心問題在于最優(yōu)帶寬h的求取。文獻(xiàn)［9］采用窮舉法求得積分均方誤差最小時(shí)的h。文獻(xiàn)［10］將積分均方誤差作為目標(biāo)函數(shù)，在求目標(biāo)函數(shù)最小的基礎(chǔ)上加上擬合優(yōu)度檢驗(yàn)作為約束條件求得最優(yōu)帶寬。現(xiàn)有的研究表明，核密度估計(jì)對于光伏輸出功率的估計(jì)有一定的正確性，但對模型進(jìn)行不同的誤差分析將得到不同的h，目前尚未有統(tǒng)一的計(jì)算帶寬值的方法，也無法保證計(jì)算方法的適用性。本文提出了一種基于正交級(jí)數(shù)密度估計(jì)的光伏輸出功率非參數(shù)估計(jì)方法，無需假定數(shù)
電力自動(dòng)化設(shè)備 2017年3期2017-05-22
- 高斯核密度估計(jì)的背景建模運(yùn)動(dòng)目標(biāo)檢測
54)高斯核密度估計(jì)的背景建模運(yùn)動(dòng)目標(biāo)檢測燕 莎1，潘 永2(1.西安理工大學(xué)，陜西 西安 710082；2.西安熱工研究院有限公司，陜西 西安 710054)針對視頻圖像中光照的漸變和突變等引起的動(dòng)態(tài)背景和圖像前景中運(yùn)動(dòng)目標(biāo)(物體)存在陰影等問題，提出了高斯核密度估計(jì)的背景建模運(yùn)動(dòng)目標(biāo)檢測方法。實(shí)驗(yàn)結(jié)果表明，該方法采用了非參數(shù)密度估計(jì)理論，像素特征的概率分布不需要預(yù)先假設(shè)，同時(shí)估計(jì)出來的像素特征的概率密度函數(shù)更符合真實(shí)的背景像素的概率分布，能夠處理多樣性
探測與控制學(xué)報(bào) 2017年1期2017-03-23
- 基于核密度估計(jì)的K-means聚類優(yōu)化
10)基于核密度估計(jì)的K-means聚類優(yōu)化熊開玲1，彭俊杰1，楊曉飛2，黃 俊2(1.上海大學(xué) 計(jì)算機(jī)工程與科學(xué)學(xué)院，上海 200444；2.中國科學(xué)院 上海高等研究院 公共安全中心，上海 201210)K-means聚類算法作為一種經(jīng)典的聚類算法，應(yīng)用領(lǐng)域十分廣泛；但是K-means在處理高維及大數(shù)據(jù)集的情況下性能較差。核密度估計(jì)是一種用來估計(jì)未知分布密度函數(shù)的非參數(shù)估計(jì)方法，能夠有效地獲取數(shù)據(jù)集的分布情況。抽樣是針對大數(shù)據(jù)集的數(shù)據(jù)挖掘的常用手段。密度
計(jì)算機(jī)技術(shù)與發(fā)展 2017年2期2017-02-22
- 基于指尖角度集核密度估計(jì)手勢特征提取
指尖角度集核密度估計(jì)手勢特征提取林海波周庭張毅(重慶郵電大學(xué)信息無障礙工程研發(fā)中心重慶 400065)針對手勢識(shí)別實(shí)時(shí)性和魯棒性不足的問題，提出基于指尖角度集核密度估計(jì)的特征提取方法。通過對一般手勢定義指尖角度集并提取指尖角度集核密度估計(jì)特征。為解決形狀匹配的相位漂移問題和進(jìn)一步提高實(shí)時(shí)性，對該特征集有效區(qū)間歸一化和均勻采樣得到指尖角度集核密度估計(jì)序列?；诨ハ嚓P(guān)系數(shù)形狀匹配算法進(jìn)行手勢識(shí)別。實(shí)驗(yàn)分析表明，采用該特征提取方法的任意手勢識(shí)別實(shí)時(shí)性和魯棒性比現(xiàn)
計(jì)算機(jī)應(yīng)用與軟件 2016年9期2016-11-09
- 人員疏散預(yù)動(dòng)作時(shí)間的隨機(jī)性研究
機(jī)性。采用核密度估計(jì)的方法，以實(shí)際火災(zāi)案例中人群疏散預(yù)動(dòng)作時(shí)間為樣本進(jìn)行分析，用統(tǒng)計(jì)學(xué)規(guī)律表征預(yù)動(dòng)作時(shí)間的隨機(jī)性。研究表明：人員疏散預(yù)動(dòng)作時(shí)間滿足一定的概率分布規(guī)律。預(yù)動(dòng)作時(shí)間；隨機(jī)性；概率密度函數(shù)；累積分布函數(shù)；核密度估計(jì)0 引言近年來，隨著我國經(jīng)濟(jì)水平的快速發(fā)展，各種各樣的建筑不斷涌現(xiàn)，如高層建筑、超高層建筑、大型地下建筑等，這些建筑往往具有人員密度大、可燃物較多等特點(diǎn)。一旦發(fā)生火災(zāi)，建筑的安全疏散功能將會(huì)面臨巨大考驗(yàn)，在疏散條件不利的情況下，容易造成
中國人民警察大學(xué)學(xué)報(bào) 2016年4期2016-10-20
- END樣本最近鄰密度估計(jì)的相合性
D樣本最近鄰密度估計(jì)的相合性李藝璇(湖北大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)學(xué)院，湖北 武漢 430062)在END樣本下研究最近鄰密度估計(jì)的相合性，給出弱相合性、強(qiáng)相合性、一致強(qiáng)相合性以及它們的收斂速度的充分條件， 同時(shí)研究失效函數(shù)估計(jì)的一致強(qiáng)相合性.END樣本;最近鄰密度估計(jì);相合性0 引言1 引理為了證明本文中定理，先給出幾個(gè)引理.引理1[4]設(shè){X1，X2，…，Xn}是END變量.(1) 如果f1,f2,…,fn均為非降(或非增)函數(shù)，則隨機(jī)變量f1(X1),f2(X
- 人群密度估計(jì)研究現(xiàn)狀及發(fā)展趨勢
彭月平人群密度估計(jì)研究現(xiàn)狀及發(fā)展趨勢武警工程大學(xué)姜源劉曼 武警工程大學(xué)西安交通大學(xué)彭月平隨著平安城市和社會(huì)安全需求的日益增長，人工甄別視頻監(jiān)控的方式己經(jīng)不能滿足需要，自動(dòng)化的人群密度估計(jì)算法因此應(yīng)運(yùn)而生并迅速成為一個(gè)研究熱點(diǎn)。本文對人群密度估計(jì)算法的發(fā)展和研究現(xiàn)狀進(jìn)行了綜述。從圖像預(yù)處理、人群密度估計(jì)算法、現(xiàn)存問題和發(fā)展難點(diǎn)等角度進(jìn)行了總結(jié)；并對人群密度估計(jì)算法在當(dāng)前大數(shù)據(jù)時(shí)代中存在的挑戰(zhàn)及發(fā)展趨勢展開思考。人群密度；密度估計(jì)；大數(shù)據(jù)1 引言近年來，隨著
電子世界 2016年12期2016-09-16
- 基于屬性加權(quán)核密度估計(jì)的樸素貝葉斯分類算法
于屬性加權(quán)核密度估計(jì)的樸素貝葉斯分類算法謝小軍1，陳光喜1，丁伯倫2(1.桂林電子科技大學(xué) 數(shù)學(xué)與計(jì)算科學(xué)學(xué)院，廣西 桂林541004；2.安徽工程大學(xué)機(jī)電學(xué)院，安徽 蕪湖241000)為了削弱樸素貝葉斯分類算法的屬性條件獨(dú)立性假設(shè)，提出了一種屬性加權(quán)核密度估計(jì)的樸素貝葉斯分類算法。該算法結(jié)合條件屬性與決策屬性的相關(guān)系數(shù)以及互信息得到新的屬性加權(quán)值，并將該加權(quán)值嵌入核密度估計(jì)的樸素貝葉斯分類算法。實(shí)驗(yàn)結(jié)果表明，該算法提高了分類準(zhǔn)確率。屬性加權(quán)；核密度估計(jì)；
桂林電子科技大學(xué)學(xué)報(bào) 2016年3期2016-09-08
- 風(fēng)電場中基于核密度估計(jì)法的儲(chǔ)能系統(tǒng)容量配置
電場中基于核密度估計(jì)法的儲(chǔ)能系統(tǒng)容量配置宋志惠，許 玥中國葛洲壩集團(tuán)國際工程有限公司前言儲(chǔ)能系統(tǒng)具有動(dòng)態(tài)吸收能量并適時(shí)釋放的特點(diǎn)，能有效彌補(bǔ)風(fēng)電的間歇性、波動(dòng)性缺點(diǎn)，改善風(fēng)電場輸出功率的可控性，提升穩(wěn)定水平。在并網(wǎng)風(fēng)電場中配置適量的儲(chǔ)能系統(tǒng)，對風(fēng)電場的輸出功率進(jìn)行調(diào)節(jié)，可提高風(fēng)電場出力的可控性，使得風(fēng)電場成為靈活可控的電源。1 儲(chǔ)能系統(tǒng)實(shí)時(shí)調(diào)節(jié)風(fēng)電場輸出功率以跟蹤功率預(yù)測值根據(jù)風(fēng)電場的實(shí)際輸出功率和電網(wǎng)給風(fēng)電場下達(dá)的發(fā)電指令目標(biāo)（功率預(yù)測值），儲(chǔ)能系統(tǒng)通過
科學(xué)中國人 2015年11期2015-12-28
- 加權(quán)核密度估計(jì)及其在滬深300股指收益率上的應(yīng)用
18)加權(quán)核密度估計(jì)及其在滬深300股指收益率上的應(yīng)用宋文選(浙江工商大學(xué)統(tǒng)計(jì)與數(shù)學(xué)學(xué)院，浙江杭州 310018)由于金融數(shù)據(jù)的特殊性，對于其時(shí)變概率密度的估計(jì)和相應(yīng)的累計(jì)分布函數(shù)的估計(jì)，可以通過非參數(shù)運(yùn)用加權(quán)的核密度估計(jì)來捕捉每個(gè)時(shí)刻金融收益率的密度變化情況，這種方法中的重要參數(shù)，如帶寬，可以通過最大似然函數(shù)和交叉檢驗(yàn)進(jìn)行估計(jì).診斷檢驗(yàn)可以通過向前一步預(yù)測的累計(jì)分布函數(shù)進(jìn)行驗(yàn)證.對于這種追蹤時(shí)變密度變化的方法，適用那些密度變化相對緩慢的數(shù)據(jù)上，并且該方法
泰山學(xué)院學(xué)報(bào) 2015年3期2015-07-28
- 物種敏感度分布的非參數(shù)核密度估計(jì)模型
布的非參數(shù)核密度估計(jì)模型王穎1,2，馮承蓮2，黃文賢3，劉躍丹4，馬燕2,5，張瑞卿6，吳豐昌2,*1. 北京師范大學(xué)水科學(xué)研究院，北京 100875 2. 中國環(huán)境科學(xué)研究院 環(huán)境基準(zhǔn)與風(fēng)險(xiǎn)評估國家重點(diǎn)實(shí)驗(yàn)室，北京100012 3. 北京師范大學(xué)數(shù)學(xué)科學(xué)學(xué)院，北京 100875 4. 環(huán)境保護(hù)部華南環(huán)境科學(xué)研究所 廣東省水與大氣污染防治重點(diǎn)實(shí)驗(yàn)室，廣州510065 5. 青島理工大學(xué)環(huán)境與市政工程學(xué)院 生物環(huán)保與綠色化工研究中心，青島266033 6.
生態(tài)毒理學(xué)報(bào) 2015年1期2015-06-27
- 耙吸挖泥船耙頭密度估計(jì)器研究與分析
吸挖泥船耙頭密度估計(jì)器研究與分析王柳艷1，田雨2，俞孟蕻1（1.江蘇科技大學(xué)電子信息學(xué)院，江蘇 鎮(zhèn)江 212003；2.長沙理工大學(xué)，湖南 長沙 410114）針對新型耙頭的挖掘模式，利用黑箱模擬法與在線滾動(dòng)優(yōu)化預(yù)測理論，設(shè)計(jì)了一種耙頭吸入密度估計(jì)器，采用現(xiàn)場實(shí)測數(shù)據(jù)進(jìn)行了仿真實(shí)驗(yàn)。結(jié)果表明，該密度估計(jì)器可以較為準(zhǔn)確地預(yù)測耙頭底部的吸入密度，在疏浚作業(yè)中實(shí)時(shí)提供連續(xù)的混合物吸入密度信息，及時(shí)指導(dǎo)操作人員針對不同工況調(diào)整疏浚參數(shù)，滿足高效疏浚的需求。耙吸挖泥
中國港灣建設(shè) 2014年11期2014-04-07
- 基于改進(jìn)CAMShift的運(yùn)動(dòng)目標(biāo)跟蹤算法
出將非線性核密度估計(jì)、Kalman濾波和CAMShift相結(jié)合的抗遮擋的目標(biāo)跟蹤解決方案。2 核密度估計(jì)和CAMShift跟蹤算法2.1 核密度估計(jì)核密度估計(jì)是一種概率密度估計(jì)方法[9]。既不需要事先假定特征密度分布的形式，也不需要設(shè)置模型參數(shù)及參數(shù)優(yōu)化。只要樣本充足，核密度估計(jì)就能漸進(jìn)收斂于任何一個(gè)概率密度函數(shù)[10]。核密度估計(jì)的目的是在已知一定數(shù)量的樣本點(diǎn)的情況下，盡量地逼近一個(gè)未知概率密度分布函數(shù)[11]。在核密度估計(jì)中發(fā)揮作用的單元是眾多具有相同
計(jì)算機(jī)工程與應(yīng)用 2014年11期2014-04-03
- END樣本最近鄰密度估計(jì)的一致強(qiáng)相合速度
本下的最近鄰密度估計(jì)問題，目前尚未見文獻(xiàn)報(bào)道.基于此，本文考慮END樣本最近鄰密度估計(jì)的一致強(qiáng)相合速度問題，在更弱的條件下，得到了與NA序列相同的結(jié)論，從而推廣了文獻(xiàn)［7］的結(jié)果.本文用“?”表示“O”.1 引 理2 主要結(jié)果注1 1）定理1在更弱的條件下，得到了與NA樣本情形下相同的結(jié)論；2）由推論1可知，fn（x）的一致強(qiáng)相合收斂速度幾乎為n－1／6，該結(jié)論與NA樣本情形下是相同的，但與獨(dú)立情形的n－1／4不同.［1］Loftsgaarden D O，
吉林大學(xué)學(xué)報(bào)（理學(xué)版） 2014年3期2014-03-06
- 刪失樣本α混合序列遞歸核密度估計(jì)的一致強(qiáng)相合性及速度
)式定義的核密度估計(jì)的窗寬是固定的,要使對f的擬合效果更好,涉及最優(yōu)窗寬的選擇問題;同時(shí)當(dāng)樣本容量n增加時(shí),需要重新計(jì)算估計(jì)量,這樣需要的計(jì)算量會(huì)很大.然而我們知道遞歸核密度估計(jì)量中窗寬不是固定的,因此對(1)式進(jìn)行改進(jìn),給出K-M估計(jì)下的f的遞歸核密度估計(jì)量fn:(2)(3)這樣可以利用計(jì)算機(jī)編程進(jìn)行遞歸,當(dāng)樣本容量n增加時(shí),不用重新計(jì)算估計(jì)量.本文中在刪失數(shù)據(jù)α混合序列條件下進(jìn)行討論,下面給出α混合的定義:α(m)(A∩B)-P(A)P(B)|},如果
- 概率密度估計(jì)中的核非方法及應(yīng)用研究
歸估計(jì)和概率密度估計(jì)。在解決學(xué)習(xí)問題的傳統(tǒng)理論中，模式識(shí)別和回歸估計(jì)都是建立在概率密度估計(jì)的基礎(chǔ)上的。概率密度估計(jì)通常采用參數(shù)估計(jì)和非參數(shù)估計(jì)的方法[1]。參數(shù)方法是根據(jù)經(jīng)驗(yàn)，假定總體的分布為某種特定的形式，如高斯分布、瑞利分布等，而未知總體分布的某些具體參數(shù)值，然后再用樣本計(jì)算出這些未知的參數(shù)值。但在實(shí)際應(yīng)用中，樣本數(shù)據(jù)總是有限的，有時(shí)并不能確定總體的具體分布。當(dāng)對總體的分布形式無法做出大致正確的判斷時(shí)，需要采用一種非參數(shù)方法更為合理，直接從樣本入手進(jìn)行
山東工業(yè)技術(shù) 2013年10期2013-08-16
- 核實(shí)數(shù)據(jù)下的遞歸核密度估計(jì)
)的遞歸型核密度估計(jì):由于遞歸型核密度估計(jì)在添加樣本點(diǎn)時(shí), 不必重新計(jì)算所有項(xiàng), 只需計(jì)算添加項(xiàng), 因此使計(jì)算更方便. 基于此, 本文考慮借助于核實(shí)數(shù)據(jù), 構(gòu)造一遞歸型概率密度估計(jì)量, 并研究其漸近正態(tài)性.1 主要結(jié)果于是在一些正則條件下,f(x)可被如下遞歸核估計(jì)量一致估計(jì):定義AppendixA條件:(A·f):f(x)是k階有界可導(dǎo)的;(A·K):K(·)在有界支撐集上是k階非負(fù)有界的核函數(shù);定理1在AppendixA條件下, 有證明:(3)這里C為
吉林大學(xué)學(xué)報(bào)（理學(xué)版） 2012年5期2012-12-04
- ND樣本最近鄰密度估計(jì)的一致強(qiáng)相合性
D樣本最近鄰密度估計(jì)的一致強(qiáng)相合性劉艷，吳群英（桂林理工大學(xué)理學(xué)院，廣西桂林541004）設(shè)X1，X2，…，Xn是同分布的負(fù)相依（ND）樣本，具有共同的密度函數(shù)f（x），利用相應(yīng)的Bernstein不等式，將負(fù)相關(guān)（NA）樣本最近鄰密度估計(jì)的一致強(qiáng)相合性推廣到ND樣本，得到其最近鄰密度估計(jì)的一致強(qiáng)相合性.負(fù)相依序列；最近鄰密度估計(jì)；一致強(qiáng)相合性；Bernstein不等式概率密度估計(jì)和非參數(shù)非線性回歸是非參數(shù)估計(jì)中兩大問題.最近鄰密度估計(jì)（NN－估計(jì)）是由L
- 多維密度核估計(jì)的漸進(jìn)正態(tài)性及穩(wěn)健漸進(jìn)正態(tài)性研究
態(tài)性是非參數(shù)密度估計(jì)的一個(gè)非常重要的研究方向，其中非參數(shù)概率密度核估計(jì)作為非參數(shù)密度估計(jì)的重要方法，受到越來越多的學(xué)者的重視。Hardel、Miiller、Silverman、Scott等都曾致力于多維密度核估計(jì)的研究，Schuster、Singh、Susan,Walter、陳桂景、趙林成、楊振海等人得到了較好的相合速度的結(jié)果。其中Loftsgarden和Qnesenberry提出了最近鄰估計(jì)，Devroye和Wagner討論了一種窗寬依賴于樣本的核估計(jì)。
統(tǒng)計(jì)與決策 2011年19期2011-09-05
- 基于核密度估計(jì)算法的飛機(jī)載荷譜統(tǒng)計(jì)技術(shù)
89)基于核密度估計(jì)算法的飛機(jī)載荷譜統(tǒng)計(jì)技術(shù)湯阿妮(中國飛行試驗(yàn)研究院，西安 710089)受到實(shí)際條件限制，現(xiàn)階段的飛機(jī)載荷譜實(shí)測均采取小子樣實(shí)測方法，小子樣實(shí)測數(shù)據(jù)是取自真實(shí)母體的一個(gè)簡單樣本，很難保證數(shù)據(jù)的充分性、完整性.傳統(tǒng)的均值統(tǒng)計(jì)法無法對數(shù)據(jù)缺陷進(jìn)行彌補(bǔ).為了克服小子樣數(shù)據(jù)不足問題，將核密度估計(jì)技術(shù)用于載荷譜統(tǒng)計(jì)，取得了良好效果.介紹了核密度估計(jì)的相關(guān)理論基礎(chǔ)，并以某型機(jī)下沉速度譜的統(tǒng)計(jì)為例，詳細(xì)介紹了將核密度估計(jì)方法用于載荷譜統(tǒng)計(jì)的數(shù)學(xué)過程.
北京航空航天大學(xué)學(xué)報(bào) 2011年6期2011-03-15