協(xié)方差
- 基于誤差電壓協(xié)方差的兩電平開路故障診斷
種基于誤差電壓協(xié)方差來診斷兩電平變流器IGBT開路故障的方法，具體如下：通過兩種途徑（脈沖電壓預測法和真實電路求解法）求出IGBT正常和開路時對應輸出線電壓誤差。其中脈沖電壓預測法假設某橋臂兩個IGBT分別開路，并根據脈沖和電流回路，推導對應的故障線電壓誤差表達式；真實電路求解法通過電路理論求出真實的電壓誤差解析式。引入協(xié)方差相關系數來分析和比較兩種途徑得出的電壓誤差的相似度，并根據相似度最大值判定具體開路故障位置。最終通過實驗驗證了此方法的有效性。關鍵詞
機電信息 2023年12期2023-06-21
- 基于均值未知的高維協(xié)方差矩陣的估計
均值未知的高維協(xié)方差矩陣的估計陳艷真，李樹有（遼寧工業(yè)大學 理學院，遼寧 錦州 121001）給出了一種基于均值未知情形下，高維協(xié)方差矩陣估計的新算法。即當矩陣的維數大于樣本容量時，根據隨機矩陣理論，通過樣本協(xié)方差矩陣特征值的邊緣密度函數和總體特征值的對數似然函數，得到目標矩陣特征值的估計量?；谑湛s估計的思想，對目標矩陣特征值和樣本協(xié)方差矩陣特征值進行收縮估計，通過特征值的估計得到高維協(xié)方差矩陣的一個新的估計量。數值模擬表明，對于多元正態(tài)的總體，高維協(xié)方
遼寧工業(yè)大學學報(自然科學版) 2023年2期2023-05-18
- 基于最大平均協(xié)方差的雷達波束調度算法研究
[7]提出一種協(xié)方差控制技術，可以解決不同目標所需跟蹤精度不同的問題，該方法旨在減小各個目標的跟蹤誤差協(xié)方差(目標實際協(xié)方差與期望協(xié)方差之間的差值，不同目標精度有著不同的跟蹤誤差協(xié)方差)來控制雷達波束的調度，其中，LU等[8]提出了優(yōu)化協(xié)方差誤差的方法，該方法雖然解決了不同目標需不同跟蹤精度的問題，但存在一個缺陷即每次僅優(yōu)化多個目標中誤差最小的目標，這可能會造成其他目標的誤差一直處于積累狀態(tài)，最終導致其中某一個目標在跟蹤過程中丟失的情況出現。因此，本文提出
電光與控制 2023年1期2023-02-13
- 基于自適應漸消Sage-Husa 擴展卡爾曼濾波的協(xié)同定位算法
算法可以對噪聲協(xié)方差矩陣進行自適應調整，實時估計噪聲，但也存在諸多缺點，例如濾波易發(fā)散，影響定位精度；計算量過大，對操作系統(tǒng)硬件要求過高；過程噪聲矩陣的正定性[9-11]難以得到保證。本文擬提出一種基于自適應漸消Sage-Husa擴展卡爾曼濾波算法。首先，對Sage-Husa 量測噪聲協(xié)方差矩陣進行改進；其次，再通過漸消記憶指數加權得到新息的協(xié)方差估計值，以提高新近數據的利用率；然后，引入漸消因子來調整誤差協(xié)方差矩陣，以提高濾波器的精確性和自適應性；最后，
中國艦船研究 2022年4期2022-09-06
- 一類條件協(xié)方差估計及其大樣本性質
，考慮X的條件協(xié)方差矩陣，即ΣXX(u)=cov(X|U=u)當p=1時，條件協(xié)方差矩陣特殊化為條件方差Var(X|U=u)．條件方差及協(xié)方差函數的估計已在文獻[1-6]中有較為詳細討論．依據ΣXX(u)=E((X-mX(u))((X-mX(u))T|U=u)，其中mX(u)=E(X|U=u)文獻[7]通過極小化擬似然函數：構造ΣXX(u)的估計量：其中mX(u)的N-W核估計量為ΣXX(u)=E(XXT|U=u)-mX(u)mX(u)T故一種顯而易見的核
西南大學學報（自然科學版） 2021年11期2021-11-11
- 基于均勻圓陣偽協(xié)方差矩陣的單快拍測向方法
要求接收數據的協(xié)方差矩陣的秩等于信源個數,需要較多的快拍數來求得信號子空間和噪聲子空間從而提高估計的精準度[10],是DOA估計常見的兩類算法。在軍事對抗過程中,信號出現的時間往往較短而且具有較快的跳變速度,使得信號難以被偵察到,以及其他要求系統(tǒng)具有很高的實時性和一些物理限制的場景,這意味著DOA估計使用的快拍數只能很少,甚至在最壞的情況下只有單快拍[11]。單快拍測向是短快拍測向的極限情況,近年來在傳統(tǒng)多快拍陣列測向的基礎上,國內外學者同樣對其進行了廣泛
系統(tǒng)工程與電子技術 2021年10期2021-11-11
- 基于無截斷Bartlett核估計的函數重構方法及其應用
譜分解方法，對協(xié)方差函數進行分解，得到正交特征函數（函數主成分），再利用K-L 展開式來重構函數曲線[11-12].外生基函數的重構方法與數據本身無關，而內生的函數主成分方法是數據本身驅動的，所以該方法越來越受專家學者青睞.然而，實際的數據分析中，經常會收集到一些函數型數據，由于系統(tǒng)慣性或時間上的延續(xù)性等原因，它們之間具有一定的相依性，比如經濟金融等領域的高頻數據.此時，樣本協(xié)方差函數不再是總體協(xié)方差函數的一致估計量.如果還利用獨立同分布下的協(xié)方差函數計算
閩南師范大學學報(自然科學版) 2021年2期2021-06-29
- 利用振動響應協(xié)方差參數和數據融合的損傷識別方法
結構加速度響應協(xié)方差和應變響應協(xié)方差參數以及基于貝葉斯估計的數據融合理論進行結構損傷判定和損傷位置識別，理論推導證明響應協(xié)方差參數是結構模態(tài)參數的函數，結構損傷會導致響應協(xié)方差參數的改變，當只使用結構損傷前后的響應協(xié)方差參數，不使用結構分析模型進行結構損傷識別時，損傷向量會受到激勵位置、測試噪聲和誤差等的影響，所以使用貝葉斯數據融合理論，對來自多種傳感器和多種測試環(huán)境下得到的多組損傷向量進行數據融合，以提高損傷識別的精度;利用一個七層框架結構進行包括單損傷
振動工程學報 2021年1期2021-06-06
- 未知噪聲協(xié)方差的自適應容積卡爾曼濾波
到具有精確統(tǒng)計協(xié)方差的系統(tǒng)噪聲[2]。同時在機動目標跟蹤系統(tǒng)中涉及到時變噪聲協(xié)方差，傳統(tǒng)的濾波算法無法滿足要求[3]。因此，為了處理噪聲協(xié)方差的不確定性，需要高性能的自適應濾波算法。容積卡爾曼濾波(Cubature Kalman Filter，簡稱CKF)是一種新型高斯濾波算法，為非線性系統(tǒng)的狀態(tài)估計提供新的實現方式，利用球面—徑面積分準則計算非線性變換后隨機變量的均值和協(xié)方差，采用一組等權值的容積點對最優(yōu)狀態(tài)的后驗分布進行逼近。由于CKF將采樣點都設置在
空軍工程大學學報 2021年2期2021-05-29
- 矩陣分塊方法在協(xié)方差矩陣中的應用
215009）協(xié)方差矩陣是多元統(tǒng)計學中的基本概念，它反映多變量之間的線性相關性及變量分布離散程度。 方差測量單個隨機變量的變化（比如一個群體中人的身高變化），而協(xié)方差則是衡量兩個隨機變量的變化程度（如一個群體中的一個人的身高和體重的變化情況）。 Magnus J R 在1978 年提出了在干擾協(xié)方差矩陣中具有未知參數的GLS 模型的最大似然估計[1]，Meng X 等人在1991 使用EM 獲得漸近方差協(xié)方差矩陣[2]，Odell P L等人在1966 年
蘇州科技大學學報(自然科學版) 2021年1期2021-03-24
- 基于距離較差法控制點穩(wěn)定性分析
制點坐標分量的協(xié)方差以及不同控制點之間的協(xié)方差[2-7]。本文在三維無約束平差的基礎上，顧及控制點坐標分量間方差和協(xié)方差進行分析計算，進而對控制點進行穩(wěn)定性分析。1 固定一點一方向平差GNSS 網的約束平差中所采用的觀測量為GNSS基線向量，同時引入了會使GNSS 網的尺度和方位發(fā)生變化的外部起算數據。引入邊長、方向或兩個及兩個以上的起算點坐標，可能會使GNSS 控制網的尺度或方位發(fā)生變化。GNSS 網的約束平差常被用于實現GNSS 控制網由基線解算時所用
地理空間信息 2021年2期2021-03-06
- 一種基于決策樹和詞義相似度的N1+N2結構語法關系判定方法
確。為此，通過協(xié)方差計算變換矩陣，提供一種變換矩陣消除隨機變量之間相關關系的方法，通過spss25進行實證分析，最后發(fā)現通過矩陣變換變換后的數據t檢驗的顯著性值明顯降低。關鍵詞：多重共線性;協(xié)方差;顯著性;中圖分類號：O212.4 ? ? ?文獻標識碼：A 多重共線性是指在所構建的模型中，解釋變量之間存在的高度相關關系或近似相關關系[1]。做模型預測時，一般均是建立函數模型，其前提條件是解釋變量之間都不具有相關性、不存在多重共線性，但在實際建模過程中，拿到
計算技術與自動化 2021年4期2021-01-06
- 基于非線性壓縮估計的投資組合優(yōu)化模型在A股市場的實證
量以及收益率的協(xié)方差矩陣。Merton（1980）指出，資產收益率均值的估計誤差對投資組合最優(yōu)權重有著更大的影響，現在大多研究多采用最小方差投資組合模型，其只需要估計出資產收益率的協(xié)方差矩陣。估計協(xié)方差矩陣的一種重要思路是使用壓縮估計量，Ledoit和Wolf（2013，2014，2017b）分別提出了協(xié)方差矩陣的線性壓縮估計量和非線性壓縮估計量，本質是將樣本協(xié)方差矩陣的特征值進行壓縮。Ledoit and Wolf（2017b）發(fā)現非線性壓縮估計量在美股
環(huán)球市場 2020年32期2021-01-06
- 基于核數據調整基準例題的235U協(xié)方差數據測試
413)核數據協(xié)方差是評估核裝置設計不確定度的重要輸入，直接影響核裝置設計積分參數不確定度評估的質量。核數據協(xié)方差也是核數據調整的重要輸入，直接影響核數據調整的結果[1-2]。雖然很難精確評價核數據的協(xié)方差，但仍需給出對不確定度的合理估計，以提高設計不確定度評估結果和核數據調整結果的可靠性。核數據重點實驗室開展了大量核數據協(xié)方差評價方法研究工作[3-4]，掌握了基于線性最小二乘法(LLS)的模型無關協(xié)方差評價方法和基于誤差傳遞的模型依賴協(xié)方差評價方法，建立
原子能科學技術 2020年11期2020-11-25
- 基于Cholesky分解的協(xié)方差矩陣估計
esky分解的協(xié)方差矩陣估計褚云通（遼寧師范大學 數學學院，遼寧 大連 116029）重復測量數據經常在心理學、社會科學、經濟學和醫(yī)學研究等領域出現．對于重復測量數據，高維（HD）和正定（PD）約束是協(xié)方差和相關矩陣建模的2個主要障礙．基于Cholesky型分解的方法在處理HD和PD問題上是有效的．基于修正的Cholesky分解（MCD）、替代Cholesky分解（ACD）和Cholesky因子參數化（HPC）3種方法，對遵循高斯分布的重復測量數據擬合聯合
高師理科學刊 2020年9期2020-10-21
- 一種改進的網格剖分協(xié)方差交集融合算法?
獻［4～7］對協(xié)方差凸組合方法進行了討論。協(xié)方差凸組合算法沒有考慮局部航跡的相關性，抗干擾能力較弱，造成其算法的魯棒性較差，僅僅在局部航跡完全獨立的情況下是最優(yōu)的。此外，文獻［5］中Bar-Shalo-Campo融合算法考慮了共同的過程噪聲的相關性，然而為了計算各傳感器估計誤差之間的互協(xié)方差陣而需要大量的信息，在最小均方誤差意義下不是最優(yōu)的。在分布式系統(tǒng)中，常常無法準確描述多源信息之間的相關性，文獻［8～10］提出了協(xié)方差交叉算法。協(xié)方差交叉是一種保守融合
艦船電子工程 2020年3期2020-06-11
- 實正態(tài)過程之多重均方不定積分的正態(tài)性
均值向量，B為協(xié)方差矩陣，則X的特征函數為由引理1及正態(tài)過程的定義易得定理4.定理4設{X(t),t∈T}為正態(tài)過程，均值函數為mX(t),協(xié)方差函數為CX(s,t),則{X(t),t∈T}的任意有限維特征函數為：ri∈R,ti∈T,i=1,2,…n,n∈N.3 主要結論任意有限維特征函數為：ri∈R,ui∈[a,b],i=1,2,…n,n∈N.重復使用上述方法，可得多重均方不定積分為[a,b]上均方連續(xù)、均方可導的實正態(tài)過程.協(xié)方差函數為協(xié)方差函數為：協(xié)
太原師范學院學報(自然科學版) 2020年1期2020-03-31
- 面向多模態(tài)圖像的柯西相關特征學習方法
基于樣本數據的協(xié)方差矩陣，即樣本協(xié)方差矩陣。由于實際應用中采集的樣本往往包含大量的冗余和噪聲信息，樣本協(xié)方差矩陣通常偏離真實協(xié)方差矩陣。對于特征學習方法，樣本協(xié)方差矩陣越接近真實協(xié)方差矩陣，特征學習方法獲得的特征往往具有越好的鑒別力[7]。為了解決樣本協(xié)方差矩陣偏離的問題，本文利用柯西估計對協(xié)方差矩陣的奇異值進行糾正，進而形成一種更加接近真實協(xié)方差矩陣的柯西協(xié)方差矩陣，然后在相關分析理論的基礎上，進一步提出面型多模態(tài)圖像的柯西相關特征學習方法，即柯西典型相
重慶理工大學學報(自然科學) 2019年9期2019-10-16
- 隨機變量數字特征教學中的幾點思考
詞：數學期望;協(xié)方差;相關系數;相互獨立;不相關中圖分類號：O13;G642? 文獻標識碼：A? 文章編號：1673-260X（2019）02-0149-04 概率統(tǒng)計是理工類和經管類本科專業(yè)的一門重要的學科基礎課程，其中涉及的解決隨機問題的基本思想方法被廣泛應用于經濟決策、質量控制、投資風險管理等領域.根據教育部高等學校大學數學課程教學指導委員會發(fā)布的大學數學課程教學基本要求[1]，在本科概率統(tǒng)計課程中應使學生掌握課程的基本知識、基本理論，對學生進行必要
赤峰學院學報·自然科學版 2019年2期2019-09-10
- 高效秩-μ更新自動協(xié)方差矩陣自適應演化策略
5)0 引 言協(xié)方差矩陣自適應演化策略(CMA-ES)是應用最多、性能最好的演化策略(ES)[1]之一，由Hansen和Ostermeier[2-3]提出，主要應用實值優(yōu)化問題，使函數值達到最小值且搜索成本最低。CMA-ES易陷入局部最優(yōu)，喬帥結合云推理改善陷入局部最優(yōu)[4]，胡冠宇引入混沌算子使其具有良好全局搜索能力[5]。CMA-ES的一般思想是在目標方向中使用成功搜索步驟的信息更改協(xié)方差矩陣的突變分布，不成功方向的信息隨時間而丟棄。CMA-ES發(fā)展不
計算機應用與軟件 2019年2期2019-04-01
- 概率論中關于數字特征的實驗教學案例
的期望、方差、協(xié)方差等數字特征的計算，有利于增強學生學習概率統(tǒng)計課程的自信心，提高學生學習的主觀能動性.【關鍵詞】期望；方差；協(xié)方差；MATLAB【基金項目】2017年湖南涉外經濟學院教學改革研究項目“數學實驗在地方本科院校非數學專業(yè)教學中的應用研究”.一、引 言概率論與數理統(tǒng)計是我校經管類、理工類等專業(yè)學生的必修課程，也是數學公共課程中應用性較強的一門課程.對我校學生該課程學習情況的調查顯示，大部分學生認為該課程中與連續(xù)型變量相關的內容難度較大，并且容易
數學學習與研究 2019年3期2019-03-27
- 相關性分析方法及其應用淺析
研究了圖表法、協(xié)方差方法、相關系數法和回歸分析法，并探討了這幾種方法之間的區(qū)別和聯系。以兩個經濟指標之間的相關性為例，對這幾種方法進行實踐應用，從而說明數學知識在實際應用中的重要價值。【關鍵詞】相關性 協(xié)方差 相關系數 線性回歸【中圖分類號】G633.6 【文獻標識碼】A 【文章編號】2095-3089（2019）07-0134-021.研究背景簡介在統(tǒng)計學中，對事物之間的相關關系的分析幾乎是研究任意一組變量時的首要步驟。通常情況下，我們不僅關心事物自身是
課程教育研究 2019年7期2019-03-26
- 一種估計高維協(xié)方差矩陣的新方法
分析中，當總體協(xié)方差矩陣未知時，需要用樣本協(xié)方差矩陣的逆矩陣來代替判別函數中總體協(xié)方差矩陣的逆.另外，在協(xié)方差矩陣相等的相關檢驗中，一些傳統(tǒng)的檢驗統(tǒng)計量要求樣本協(xié)方差矩陣具有可逆性.但是在“大p小n”的情況下，樣本協(xié)方差矩陣不可逆的概率為1.因此，一些專家嘗試用其他方法進行假設檢驗，如修正似然比方法[1-4]；非參數方法等[5-6].從上述兩個例子中，我們可以看到，在許多應用中，我們都需要樣本協(xié)方差矩陣是可逆的.然而，在“大p小n”的情況下，傳統(tǒng)的樣本協(xié)方
山東師范大學學報（自然科學版） 2019年1期2019-03-21
- 淺談隨機變量的幾種數字特征及其應用
學期望;方差;協(xié)方差;相關系數;投資組合一、隨機變量幾種數字特征及其關系隨機變量常見的數字特征主要有數學期望、方差、相關系數和協(xié)方差等，本文以離散型隨機變量為例簡單介紹幾種常見的隨機變量數字特征。（一）數學期望關于一般離散型隨機變量數學期望定義為，假設X為一般離散型隨機變量，它的取值為x1， x2， x3， …對應的概率分別為p1， p2， p3， …如果∑ k=1∞? xk pk，∑ k=1∞? |xk| pk兩個無窮求和分別為有限數，則稱為隨機變量X的
神州·上旬刊 2019年1期2019-02-06
- 基于協(xié)方差理論的非關聯軌道動態(tài)關聯算法
算法。采用基于協(xié)方差理論關聯算法可以提高短弧段雷達觀測數據和稀疏可見期數據的關聯水平。該計算方法旨在解決UCTs自動關聯問題，建立一個更完整的空間對象編目庫。基于協(xié)方差的軌道關聯動態(tài)算法是基于軌道不確定性協(xié)方差的動態(tài)算法，利用軌道數據的協(xié)方差信息生成完整的軌道狀態(tài)和誤差分布函數，并用于統(tǒng)計關聯軌道。如果協(xié)方差準確表示實際軌道誤差分布，那么這個算法是最優(yōu)的、最大化的概率關聯。協(xié)方差矩陣可以更有效統(tǒng)計和自動方式關聯UCTs。基于協(xié)方差的關聯已經在精密軌道攝動的
中國空間科學技術 2018年6期2019-01-21
- 基于先驗信息的協(xié)方差矩陣重構抗干擾算法*
一般是通過采樣協(xié)方差矩陣來實現對回波信號的處理，但是在實際應用中的許多場合，由于訓練樣本中通常含有期望信號成分或者樣本數較少，往往導致自適應波束形成的性能變差。這是因為期望信號和干擾同時存在時，當采樣快拍數較少時，依據采樣數據得到的協(xié)方差矩陣與真實干擾噪聲協(xié)方差矩陣存在誤差，因此，無法直接應用到求解最優(yōu)權矢量的計算當中，若繼續(xù)使用，帶來的結果就是天線輸出性能的嚴重損失。為了獲得更為準確的自適應權矢量[7-8]，提高波束形成器的輸出性能，本文提出了一種基于干
火力與指揮控制 2018年9期2018-10-16
- 基于Tukey法改進時間序列平穩(wěn)性檢驗的分段檢驗法
與段之間均值與協(xié)方差函數是否相等進行假設檢驗，若有一個假設不成立則原時間序列就為非平穩(wěn)的。需要進行多個假設檢驗，若每一個檢驗犯第一類錯誤的概率為α，則各段均值與自協(xié)方差函數都相等的假設累計犯第一類錯誤的概率均會超過α，即由于樣本的隨機性會使得各段序列均值與自協(xié)方差函數被誤判為不全相等的概率均會超過α，從而使平穩(wěn)時間序列被誤判為非平穩(wěn)的概率增大，降低了分段檢驗的可信度。Tukey于1951年提出的Tukey法[8]是解決多個水平均值中兩兩均值相等的檢驗同時發(fā)
統(tǒng)計與決策 2018年16期2018-09-21
- 投資組合中協(xié)方差陣的估計和預測
0025）引言協(xié)方差陣在實際生活中有著廣泛的應用，尤其是在資產組合及風險管理中，其扮演著不可替代的角色。協(xié)方差陣的估計方法大都是基于低頻數據的。近年來，高頻數據越來越容易獲得，較低頻數據而言，其包含了更加豐富的信息。高頻數據的信息量更高，但抽樣頻率提高的同時會帶來微觀噪聲影響越來越大的問題。由于短期內的價格波動等因素，資產收益率可能出現幅度較大的變化，數據呈現跳躍狀態(tài)，該跳躍對高頻數據協(xié)方差陣估計帶來更多難題。信息技術的發(fā)展促使更多高頻交易場景以及更高頻率
經濟研究導刊 2018年24期2018-09-18
- 造紙廢水處理過程的高斯過程回歸軟測量建模
,采用平方指數協(xié)方差函數、線性協(xié)方差函數、周期性協(xié)方差函數以及這 3種協(xié)方差函數的組合函數構建了7種協(xié)方差函數的高斯過程回歸(GPR)模型對出水化學需氧量(COD)和出水懸浮固形物(SS)濃度進行回歸預測,并與3種線性回歸模型和ANN模型進行對比.1 方法原理1.1 GPR建模原理GPR是一種非參數回歸方法,該方法將一個未知的目標變量通過一個或多個已知的輸入變量的狀態(tài)函數來表示.參數回歸方法如上述的MLR、PCR等用指定的函數替換訓練數據,并對其參數進行調
中國環(huán)境科學 2018年7期2018-07-30
- 基于子集重采樣的高維資產組合的構建
型依賴資產間的協(xié)方差陣，當資產的維度較高尤其資產的維度大于樣本容量時，協(xié)方差陣的估計將面臨維數詛咒等問題，協(xié)方差陣的估計效果較差，從而影響到組合效果。為了解決協(xié)方差陣估計所面臨的維數詛咒問題，有學者提出了一些方法來估計大維金融資產的協(xié)方差陣。Cai和Zhou（2012），Cai和Liu（2011）等將門限方法應用到高維協(xié)方差陣的估計中，將一些元素壓縮為0來解決維數詛咒問題[1~2]；Fan和Lv（2008）以及Fan和Liao等（2011）將因子分析法應用
經濟研究導刊 2018年19期2018-07-24
- 基于高頻數據的大維金融協(xié)方差陣的估計與應用
于不同資產間的協(xié)方差陣，協(xié)方差陣的估計效果直接影響到資產的權重，一般而言，協(xié)方差陣的估計效果越好，構建的投資組合越合理。但是，當今社會是信息爆炸的時代，隨著數據可獲得性的提高，很多金融機構便面臨的是大規(guī)模高維度的金融資產，鑒于維數詛咒以及市場噪聲的影響，如何估計大維資產的協(xié)方差陣是統(tǒng)計領域中一大難題。近年來，就大維協(xié)方差陣的估計問題已經引起了一些學者的關注，取得了許多研究成果，有關大維協(xié)方差陣估計方法是基于低頻數據的，但是基于低頻數據估計的協(xié)方差陣并不理想
統(tǒng)計與決策 2018年5期2018-04-08
- 概率論中有關協(xié)方差計算的教學探討
王曉【摘要】協(xié)方差作為概率論的一個基本概念，描述兩個隨機變量之間的關系.它的計算是概率論中的難點、重點，特別是連續(xù)型隨機變量協(xié)方差的計算，因牽扯二重積分，學生在學習過程中，普遍存在很多困難，難于掌握.針對幾類特殊的連續(xù)型隨機變量的協(xié)方差計算，本文給出簡潔的計算公式，不僅提高計算的準確率，而且減少了計算量，同時促進概率論課程的教學質量的提高.【關鍵詞】協(xié)方差；計算公式；對稱區(qū)域；獨立一、引 言協(xié)方差作為概率論的一個基本概念，描述兩個隨機變量之間協(xié)同變化的關系
數學學習與研究 2018年3期2018-03-14
- 高維厚尾金融數據協(xié)方差陣的統(tǒng)計估計及應用
何估計高維資產協(xié)方差陣的研究并不多見，協(xié)方差陣在投資組合和風險管理中扮演著重要角色，如何估計高維金融數據的協(xié)方差陣已是統(tǒng)計領域中越來越重要的亟待解決的問題。近年來，已有很多學者對高維協(xié)方差陣的估計問題進行了研究；Fan等不僅提出了基于因子結構的協(xié)方差陣估計方法，還提出了基于主成分分析的高維協(xié)方差陣估計方法[3-4]；Cai和Zhou、Cai和Liu提出了基于門限函數的稀疏協(xié)方差陣估計方法[5-6]；Wu和Pourahmadi[7]、Li和Wang等[8]將
統(tǒng)計與信息論壇 2018年2期2018-03-06
- 基于極大似然估計的新息自適應濾波算法
聲和量測噪聲的協(xié)方差陣后，噪聲協(xié)方差陣就一直作為常值參與濾波遞推過程。但在實際應用中，噪聲統(tǒng)計信息通常難以準確獲取，而且其統(tǒng)計特性受環(huán)境溫度、載體機動等外界因素影響會發(fā)生變化[1,2]。此時，常規(guī)卡爾曼濾波并不能根據外部量測數據來修正其噪聲參數，使得估計誤差不斷積累，導致濾波精度下降，甚至引起濾波發(fā)散[3,4]。近年來，為了解決常規(guī)卡爾曼濾波在噪聲統(tǒng)計信息未知或者時變情況下存在的問題，相繼提出了各種自適應濾波算法，主要包括基于極大后驗估計的Sage-Hus
傳感器與微系統(tǒng) 2018年1期2018-01-24
- 基于干擾協(xié)方差矩陣重構的自適應波束形成
鄭昱基于干擾協(xié)方差矩陣重構的自適應波束形成文/程院兵 鄭昱針對傳統(tǒng)基于采樣協(xié)方差矩陣的自適應波束形成在樣本數少、訓練數據中存在期望信號等條件下，干擾抑制性能嚴重下降問題，提出一種基于干擾協(xié)方差矩陣重構的自適應波束形成算法。該算法采用自適應譜估計回波空間譜，從角度維將空間譜分為期望信號區(qū)域和干擾區(qū)域，通過對干擾信號區(qū)域積分重構干擾協(xié)方差矩陣。與傳統(tǒng)方法相比，該算法可避免訓練數據中包含期望信號，且利用自適應譜估計提高干擾空間譜的估計精度，從而提高干擾協(xié)方差矩
電子技術與軟件工程 2017年14期2017-09-08
- 相關變量隨機數序列產生方法?
的研究表明:在協(xié)方差矩陣滿足正定條件時,可以采用Cholesky分解方法產生多維相關隨機變量.本文首先對產生多維相關隨機變量的理論公式進行了推導,發(fā)現采用Cholesky分解并不是產生多維相關隨機變量的唯一方法,其他的矩陣分解方法只要能滿足協(xié)方差矩陣的分解條件,同樣可以用來產生多維相關隨機變量.同時給出了采用協(xié)方差矩陣、相對協(xié)方差矩陣和相關系數矩陣產生多維隨機變量的公式,以方便以后使用.在此基礎上,利用一個簡單測試題和Jacobi矩陣分解方法對上述理論進行
物理學報 2017年16期2017-09-07
- 兩種協(xié)方差估計方法的性能比較
0876）兩種協(xié)方差估計方法的性能比較陳永彬，別志松（北京郵電大學信息與通信工程學院，北京 100876）干擾抑制合并（IRC）是一種能有效應對小區(qū)間同頻干擾的算法。與最大比合并（MRC）不同，IRC能根據干擾的統(tǒng)計特性來抑制干擾。實現IRC算法的關鍵有兩方面，而對干擾噪聲的協(xié)方差矩陣的估計是其中之一。在接收信號的處理中加入對干擾噪聲協(xié)方差的考慮，可以有效的抑制干擾，提高系統(tǒng)性能。干擾噪聲的協(xié)方差估計有兩種方法，一種是通過導頻信號估計，另一種是接受信號協(xié)方
軟件 2016年11期2016-12-15
- 帶觀測滯后多傳感器系統(tǒng)的改進協(xié)方差交叉融合Kalman濾波器
感器系統(tǒng)的改進協(xié)方差交叉融合Kalman濾波器王軍，高媛*，冉陳鍵(黑龍江大學電子工程學院 哈爾濱 150080)為了處理帶觀測滯后多傳感器系統(tǒng)的融合估計問題，引入了局部次優(yōu)遞推Kalman濾波器，利用改進的協(xié)方差交叉融合算法，提出了改進協(xié)方差交叉融合Kalman濾波算法。它可以避免由互協(xié)方差計算引起的較大計算負擔，并可以處理互協(xié)方差未知系統(tǒng)的融合問題。與傳統(tǒng)協(xié)方差交叉融合Kalman濾波器相比有更高的魯棒精度，改進的協(xié)方差交叉融合器的精度高于每個局部傳感
黑龍江大學工程學報 2016年2期2016-11-08
- 基于流動性調整的高頻協(xié)方差陣的估計及其應用研究
動性調整的高頻協(xié)方差陣的估計及其應用研究劉麗萍1,馬 丹2（1.貴州財經大學數學與統(tǒng)計學院，貴州貴陽，550025；2.西南財經大學統(tǒng)計學院，四川成都，610071）金融資產交易往往不具有時間的一致性，采用高頻數據估計協(xié)方差陣時需要避免由于異步交易導致的“Epps”效應。常用的時間刷新技術能夠解決異步交易問題，但隨著資產數量增加，樣本量會迅速減少。本文介紹了基于流動性調整的雙頻協(xié)方差陣估計方法（RnBTSCOV），該方法可減少數據量的損失，在不對參數施加任
管理工程學報 2016年2期2016-10-13
- 基于改進協(xié)方差控制的傳感器管理算法*
18）基于改進協(xié)方差控制的傳感器管理算法*呂鵬飛，彭冬亮，左燕，谷雨（杭州電子科技大學，杭州310018）針對傳統(tǒng)的基于協(xié)方差控制的傳感器管理算法使用全遍歷方法所造成的計算量大，以及傳感器切換頻繁的問題，提出了一種基于改進協(xié)方差控制的傳感器管理算法。該算法在每一時刻首先判斷前一時刻所用傳感器組是否能夠滿足目標跟蹤需求，以濾波協(xié)方差與期望協(xié)方差的偏差作為參考，結合量綱變換和特征值求取，為協(xié)方差偏差矩陣經過量綱變換后得到的量綱一致陣的所有特征值設定一個精度閾值
火力與指揮控制 2016年7期2016-08-18
- 基于二次判別分析法顏色識別研究
采樣數據構成的協(xié)方差矩陣的差異做判別分析。通過實驗驗證，該算法能夠有效提升識別效率。關鍵詞：圖像識別；協(xié)方差；二次判別分析法；直方圖匹配現實生活中，高血壓、血脂稠、糖尿病等疾病患者越來越多，而這些疾病都可以通過尿液檢測判斷病情，但是市場上使用人工比對試紙或者傳感器的方法不僅成本高，而且效率極低，不同人的眼睛由于視力等因素的影響，觀察的誤差也非常大，測試有很大的局限性，并且對于老年癡呆和小孩子等這類病人尿液采樣也是一件不容易的事情。因此找到一種能夠快速、經濟
科技風 2016年18期2016-07-05
- 基于稀疏矩陣變換降維的高光譜圖像目標探測算法
算法。首先基于協(xié)方差的約束最大似然估計,對高光譜數據進行稀疏矩陣變換,對降低維度后的數據結合經典的點目標檢測算法,實現高光譜數據中的目標探測。在真實測試數據上,對算法進行了測試,可達到提高檢測速度和檢測效率的目的。關鍵詞高光譜圖像; 目標探測; 稀疏矩陣變換(SMT); 協(xié)方差; 最大似然估計Hyperspectral Target Detection Algorithms Based on Sparse Matrix TransformZHOU XinT
計算機與數字工程 2016年1期2016-04-08
- 確定采樣型非線性濾波器的研究現狀與發(fā)展趨勢*
確定型采樣; 協(xié)方差; 確定采樣Research Status and Development of Deterministic Sampling Nonlinear FiltersLIU Wei1YANG Zhiyong2CONG Yuancai2LIU Qunjie2KANG Yuhang2(1. The Office Equipment, No. 91980 Troops of PLA, Yantai264000) (2. Naval Aeronau
艦船電子工程 2016年1期2016-04-08
- 58Ni(n,p)實驗數據及協(xié)方差數據評價
p)實驗數據及協(xié)方差數據評價朱登雷， 王庭太(中原工學院， 鄭州 450007)摘要：對58Ni(n, p)反應道的實驗數據進行了收集、分析和評價，給出了20 MeV以下的實驗數據評價截面和協(xié)方差矩陣,為最終給出推薦的58Ni(n, p)截面數據和高可信度的協(xié)方差數據提供了基礎。關鍵詞：核數據；評價；截面；協(xié)方差隨著原子核物理的發(fā)展，以及核理論在工程中的應用，核數據評價越來越引起人們的重視。但是由于實驗條件的限制，往往很難給出整個能區(qū)的實驗數據，在某些能區(qū)
中原工學院學報 2015年1期2016-01-20
- 基于關節(jié)信息和極限學習機的人體動作識別
極限學習機； 協(xié)方差； 方向位移直方圖中圖分類號： TN710?34； TP391.4 文獻標識碼： A 文章編號： 1004?373X（2015）10?0055?060 引 言人體動作識別是計算機視覺研究中的一個分支，被廣泛地應用于人機互動、交互式娛樂等多個領域?；陉P節(jié)信息的運動軌跡記錄是常用的高級記錄方法之一，其中運動軌跡是指隨時間變化的關節(jié)路徑。人體運動相關研究的第一個問題是運動數據的采集，常用的方法[1]有機械式的運動捕獲，基于電磁系統(tǒng)的運動捕獲
現代電子技術 2015年10期2015-05-29
- Co-channel interference rejection for MIMO-OFDM systems
信道矩陣和干擾協(xié)方差矩陣估計方法,并設計了迭代求解算法．利用所估計的信道矩陣和干擾協(xié)方差矩陣,采用IRC接收機完成同信道干擾的抑制．利用干擾協(xié)方差陣的共軛對稱與半正定等特性,提出2種干擾協(xié)方差矩陣的處理方案以提高其估計精度．第1種方案將每個子載波上干擾協(xié)方差矩陣表征為一系列時域矩陣之和,第2種方案將每個子載波上的干擾協(xié)方差矩陣用低階模型來建模,其中模型階數通過最小描述長度算法估計．仿真結果表明了所提方案的有效性．信道估計;干擾協(xié)方差估計;干擾抑制;IRC接
Journal of Southeast University(English Edition) 2015年2期2015-05-08
- 一種基于協(xié)方差矩陣的MU-MIMO干擾消除算法研究*
：2 一種基于協(xié)方差矩陣估計的IRC算法LTE-A系統(tǒng)中，現階段有兩種估計協(xié)方差矩陣的方法：一種是基于數據信號的協(xié)方差矩陣估計，另一種是基于參考信號的協(xié)方差矩陣估計。下面分別對這兩種方案進行介紹。2.1 基于數據信號的協(xié)方差矩陣估計一般情況下，干擾信號與噪聲是不相關的，故接收數據信號的自相關矩陣可以表示為：文獻[5]中，給出了聯合時、頻域的Ryy的計算表達式：式中，L為時域OFDM符號的個數，B為頻域子載波的個數，y(k，l)為第k個子載波、第l個 OFD
電子技術應用 2015年12期2015-02-21
- 雷達組網多傳感器選擇快速啟發(fā)式算法
于信息論和基于協(xié)方差控制[5-7]的傳感器管理方法。但是由于組網中傳感器數目的增加，帶來傳感器選擇算法計算量過大的問題。于是便有了貪婪算法[5]的提出，但是該算法對傳感器的選取過于保守，導致頻繁選擇了精度過高的傳感器。本文提出了一種快速多傳感器選擇算法。本方法以控制協(xié)方差水平的思想對傳感器進行管理，在線通過每次選取期望最接近期望增益的傳感器形成探測某目標的傳感器組合，在滿足目標跟蹤精度的前提下，減少了算法的計算量。1 系統(tǒng)模型目標的運動方程和量測方程為X(
杭州電子科技大學學報(自然科學版) 2014年2期2014-12-02
- 基于積分協(xié)方差矩陣的粒子濾波目標跟蹤
空間位置分布的協(xié)方差矩陣來表征目標，該特征不含特征點數量和順序信息，對目標旋轉、尺度變化及光線變化都具有較強適應性［3］。跟蹤在實際應用中的另一個重要問題是計算的實時性，為了提高計算效率，本文在粒子濾波的框架下引入積分圖的概念，用協(xié)方差矩陣表征目標，實現對目標的跟蹤。2 協(xié)方差區(qū)域描述子協(xié)方差區(qū)域描述子的表征如圖1所示，令I為圖像幀，從I中提取一個大小為W×H×d維的特征圖像:其中，Φ表示任意一種映射，N=W×H，區(qū)域R用d×d維的協(xié)方差矩陣表示［4］:其
激光與紅外 2014年12期2014-03-29
- 基于網格剖分的協(xié)方差交集融合新算法?
獻［2］方法（協(xié)方差交集融合1誤差橢圓）與本文方法（協(xié)方差交集融合2誤差橢圓）的融合誤差橢圓如圖1所示。2所示。從圖中可以看出，航跡點1與航跡點2誤差橢圓差不多時，本文方法的均值與航跡點1與航跡點2均值的平均值接近，誤差橢圓能很好逼近航跡點1與航跡點2的協(xié)方差橢圓的交集。當兩局部航跡噪聲完全相關，噪聲分布在真實航跡兩邊，經50次蒙特卡羅仿真統(tǒng)計協(xié)方差凸組合融合、文獻［2］的協(xié)方差交集融合、網格剖分的協(xié)方差交集融合方法（網格步長5 m）的均方根融合誤差，如圖
電訊技術 2013年5期2013-02-25
- 協(xié)方差函數的選擇對GPS高程擬合精度的影響*
210098)協(xié)方差函數的選擇對GPS高程擬合精度的影響*李成仁 岳東杰 金保平(河海大學測繪科學與工程系，南京 210098)闡述最小二乘配置的原理，給出先驗方差協(xié)方差估計方法，通過實例分析了采用最小二乘配置法的有效性，比較了不同協(xié)方差函數對擬合精度的影響及擬合點的分布對協(xié)方差函數、擬合結果的影響。模型誤差;最小二乘配置;協(xié)方差函數;GPS高程擬合;擬合精度1 引言在工程測量領域，最常用的高程異常擬合方法是數學曲面擬合法，然而常規(guī)方法只是擬合出與高程異常
大地測量與地球動力學 2012年2期2012-11-14
- 多維超幾何分布協(xié)方差陣的簡單求法①
，…，Xk)的協(xié)方差陣，但以往的求法需要用到混合階乘矩和有限差算子等不常用的概念和方法.本文利用初等的方法，非常簡便地求出了多維超幾何分布的協(xié)方差陣.1 協(xié)方差陣的簡單求法引理1［1］若(X1，X2，…，Xk)是多維超幾何分布，(Xi1，Xi2，…，Xik)是其中任意t(1≤t≤k)個分量，則(Xi1，Xi2，…，Xit)服從超幾何分布.引理2［2］Xi服從超幾何分布，那么引理3 設隨機向量(Xi，Xj)服從二維超幾何分布，即則證明 不失一般性，取i=1，
佳木斯大學學報（自然科學版） 2012年6期2012-08-21
- 基于高頻數據的賦權已實現極差β估計量的構建
賦權已實現極差協(xié)方差來度量市場收益的方差和股票收益與市場收益的協(xié)方差，構建賦權已實現極差β估計量，對系統(tǒng)風險系數β進行研究。1 已實現極差方差和已實現極差協(xié)方差1.1 已實現極差方差Christensen和Podolskij[13]提出了基于高頻數據的已實現極差方差估計量。采用已實現極差方差來估計金融資產收益的方差，其優(yōu)點在于這種方法能夠充分利用高頻數據的日內信息，計算簡便。其中，T為研究跨度天數，N為在[t-1,t]時間段內等時間間隔的采樣次數。Δ=1/
統(tǒng)計與決策 2012年9期2012-07-25
- 普通克立格方法的奇異性問題研究
程為其中C表示協(xié)方差陣;λ表示權系數向量;θ表示方程式(6)右邊的協(xié)方差向量。權系數向量可由以下方程得到:相應的普通克立格方差可表述如下:1 普通克立格方法的奇異性分析1.1 協(xié)方差函數的嚴格正定要求我們可以很容易從方程(6)得出如下結論:普通克立格方程有唯一解的充要條件，是協(xié)方差矩陣為正定陣。也就是說，其協(xié)方差函數必須是嚴格正定的［1］。如果協(xié)方差矩陣不是正定陣，則協(xié)方差矩陣的行列式就可能為零或趨近為零，這就是所謂的普通克立格方程的奇異性問題，其結果將導
物探化探計算技術 2011年5期2011-01-12