一、一種用于推算感染時間曲線的非參數(shù)極大似然估計(jì)方法（論文文獻(xiàn)綜述）
趙佳星[1]（2021）在《地圖匹配輔助的Wi-Fi/iBeacon/PDR室內(nèi)融合定位算法研究》文中認(rèn)為全球衛(wèi)星導(dǎo)航系統(tǒng)（Global Navigation Satellite System,GNSS）,在室外空曠區(qū)域環(huán)境,使用其他定位技術(shù)輔助定位,可以達(dá)到亞米級的定位精度,但是在人們普遍生活和工作的室內(nèi)環(huán)境中,接收衛(wèi)星信號不準(zhǔn),甚至是接收不到衛(wèi)星信號,隨著人們生活質(zhì)量的提高,人們對目前室內(nèi)定位服務(wù)的需求也在日益遞增。目前智能手機(jī),Wi-Fi（Wireless Fidelity）路由器在日常生活工作環(huán)境中,已廣泛的使用,智能手機(jī)不僅內(nèi)置 MEMS（Micro-electro Mechanical System,MEMS）傳感器,還支持藍(lán)牙和Wi-Fi信號傳輸?shù)墓δ?在室內(nèi)外定位領(lǐng)域已然成為國內(nèi)外研究學(xué)者的研究熱點(diǎn)。本文以智能手機(jī)為研究載體,論述了當(dāng)前室內(nèi)定位領(lǐng)域研究的背景,意義及目前所使用室內(nèi)定位技術(shù)原理與方法。目前關(guān)于室內(nèi)定位的研究多是集中于室內(nèi)狹長的走廊環(huán)境,對室內(nèi)小空間區(qū)域的辦公場景研究較少的情況,本文以小區(qū)域范圍的辦公場景為室內(nèi)定位環(huán)境,將Wi-Fi定位技術(shù),iBeacon定位技術(shù),行人航跡推算（Pedestrian Dead Reckon,PDR）定位技術(shù)三者融合定位,地圖匹配技術(shù)對融合定位結(jié)果進(jìn)行矯正。主要研究成果如下:針對目前位置指紋庫定位,面臨指紋庫構(gòu)建工作量大,且Wi-Fi定位的信號強(qiáng)度值（received signal strength index,RSSI）跳變比較大等問題,提出了使用插值方法擴(kuò)充指紋庫,減少了建立指紋庫時間,使用室內(nèi)地圖按照矢量結(jié)構(gòu)將室內(nèi)的定位區(qū)域劃分為6個區(qū)域,使用支持向量機(jī)（Support Vector Machines,SVM）位置指紋匹配定位識別位置區(qū)域的方法,初步確定行人所在位置區(qū)域以及行走方向發(fā)生變化的時刻;藍(lán)牙定位使用RSSI值構(gòu)建測距模型（Shadowing模型）,提出使用極大似然估計(jì)與性能指標(biāo)模型的定位方法,相較于傳統(tǒng)的極大似然估計(jì)算法,有效的提高了定位精度;PDR定位技術(shù)出現(xiàn)的累積誤差問題,提出了使用Wi-Fi位置區(qū)域約束和室內(nèi)地圖匹配進(jìn)行矯正的方法,有效的將行人的行走軌跡進(jìn)行約束,相較于傳統(tǒng)的PDR算法提高了定位精度。針對使用PDR定位和iBeacon定位使用傳感器不同,時間不同步的問題,在路徑相同的實(shí)驗(yàn)環(huán)境下,提出了兩種算法分別對Wi-Fi、PDR和iBeacon融合定位,一是地圖匹配輔助的滑動平均濾波算法,定位的結(jié)果依賴于滑動窗口的大小,當(dāng)定位點(diǎn)目標(biāo)偏差較大時,經(jīng)滑動平均濾波有效的將定位點(diǎn)約束在室內(nèi)定位地圖區(qū)域,很好的描繪行人的行走軌跡;二是地圖匹配輔助的擴(kuò)展卡爾曼濾波（Extended Kalman Filter,EKF）算法,將 Wi-Fi、PDR 融合定位結(jié)果與 Wi-Fi、PDR和iBeacon經(jīng)滑動平均濾波融合后的定位結(jié)果使用EKF算法進(jìn)行再次融合定位,實(shí)驗(yàn)結(jié)果表明,地圖匹配輔助的EKF算法有效的改進(jìn)了軌跡飄移,定位回跳等問題,約90%定位點(diǎn)的定位精度優(yōu)于2.5m。圖[60]表[13]參[81]
王雨[2]（2021）在《經(jīng)濟(jì)發(fā)展對二氧化碳排放影響的再評估 ——基于具有自回歸誤差結(jié)構(gòu)的部分線性模型》文中研究表明當(dāng)前,全球變暖已成為世界性難題,亟需各國共同面對。作為溫室氣體中的關(guān)鍵組成要素,二氧化碳對全球變暖起到了主要的推動作用,因此二氧化碳減排刻不容緩。作為負(fù)責(zé)任的大國,我國為節(jié)能減排提出了諸多舉措。這些措施的具體效用如何,是否已然使得我國到達(dá)二氧化碳排放的庫茲涅茨拐點(diǎn)?為解決該問題,本文利用部分線性模型考察了我國經(jīng)濟(jì)發(fā)展對二氧化碳排放的影響。然而,所得分析結(jié)果卻與我國的實(shí)際情況存在較大出入。進(jìn)一步的檢驗(yàn)發(fā)現(xiàn),所擬合的模型中誤差項(xiàng)序列并不是獨(dú)立同分布的,而是具有自相關(guān)性的。目前對常見模型的研究大多基于誤差項(xiàng)序列獨(dú)立同分布的假定,忽略誤差項(xiàng)序列存在的相關(guān)性將使得模型的參數(shù)估計(jì)不再具有無偏性和有效性,同時使得假設(shè)檢驗(yàn)失效,由此將導(dǎo)致分析結(jié)果存在較大的偏差,進(jìn)而限制模型的實(shí)際應(yīng)用范圍。當(dāng)前,對具有相依誤差結(jié)構(gòu)的模型的研究尚不完善,亟待補(bǔ)充。因此,本文對具有自回歸誤差結(jié)構(gòu)的部分線性模型及其在經(jīng)濟(jì)發(fā)展對二氧化碳排放影響分析中的應(yīng)用展開了研究。首先,本文提出了兩步估計(jì)方法和剖面經(jīng)驗(yàn)似然統(tǒng)計(jì)量,給出了兩步估計(jì)的相合性和漸近正態(tài)性并推導(dǎo)了剖面經(jīng)驗(yàn)似然統(tǒng)計(jì)量的漸近分布;爾后,本文對兩步估計(jì)方法和剖面經(jīng)驗(yàn)似然統(tǒng)計(jì)量進(jìn)行了隨機(jī)數(shù)值模擬,結(jié)果表明它們均具有良好的有限樣本性質(zhì);最后,本文將具有自回歸誤差結(jié)構(gòu)的部分線性模型應(yīng)用于分析我國經(jīng)濟(jì)發(fā)展對二氧化碳排放的影響,結(jié)果表明在統(tǒng)計(jì)推斷的過程中將誤差項(xiàng)序列存在的相關(guān)性加以考慮十分具有必要性,此外還可知當(dāng)前我國的經(jīng)濟(jì)發(fā)展水平已到達(dá)倒“U”型曲線的拐點(diǎn),節(jié)能減排工作具有十分顯著的效果。具有自回歸誤差結(jié)構(gòu)的部分線性模型更加貼近現(xiàn)實(shí),在實(shí)際應(yīng)用中具有更強(qiáng)的解釋性。但當(dāng)前少有文獻(xiàn)對該模型進(jìn)行研究,且尚未有文獻(xiàn)在對該模型進(jìn)行統(tǒng)計(jì)推斷時,將誤差項(xiàng)序列中蘊(yùn)藏的信息加以利用,本文對此進(jìn)行深刻探討完善了現(xiàn)有理論研究的不足。此外,本文提出的兩步估計(jì)方法還將彌補(bǔ)現(xiàn)有估計(jì)方法的不足,提出的剖面經(jīng)驗(yàn)似然統(tǒng)計(jì)量將進(jìn)一步豐富現(xiàn)有假設(shè)檢驗(yàn)的檢驗(yàn)方法。當(dāng)前尚未有學(xué)者在研究經(jīng)濟(jì)發(fā)展對二氧化碳排放的影響時,關(guān)注所擬合模型的誤差項(xiàng)序列是否獨(dú)立,本文利用具有自回歸誤差結(jié)構(gòu)的部分線性模型對此加以考慮,并以此衡量了節(jié)能減排工作的具體效果,這具有十分重要的現(xiàn)實(shí)意義。此外,本文還簡單分析了能源消費(fèi)、產(chǎn)業(yè)升級以及技術(shù)擴(kuò)散對二氧化碳排放的影響,這為我國制定、改善節(jié)能減排的相關(guān)措施以實(shí)現(xiàn)既定的碳減排目標(biāo)提供了一定的參考依據(jù)。本文的具體章節(jié)安排如下所示。第1章為緒論。本章詳細(xì)講述了對此選題予以研究的背景及意義,國內(nèi)外研究現(xiàn)狀,研究思路與框架以及創(chuàng)新點(diǎn)和難點(diǎn)。第2章為預(yù)備知識。本章主要是對論文在研究過程中涉及到的自回歸模型、部分線性模型、統(tǒng)計(jì)推斷、核估計(jì)方法、經(jīng)驗(yàn)似然方法以及二氧化碳排放的影響因素的理論知識進(jìn)行論述,為后續(xù)研究奠定基礎(chǔ)。第3章為自回歸誤差下部分線性模型的參數(shù)估計(jì)。本章首先給出了具有自回歸誤差結(jié)構(gòu)的部分線性模型,爾后針對該模型提出了兩步估計(jì)方法,并證明了兩步估計(jì)的相合性和漸近正態(tài)性,最后對兩步估計(jì)方法進(jìn)行了隨機(jī)數(shù)值模擬以考察其有效樣本性質(zhì)。第4章為自回歸誤差下部分線性模型的假設(shè)檢驗(yàn)。針對具有自回歸誤差結(jié)構(gòu)的部分線性模型,本章利用經(jīng)驗(yàn)似然方法構(gòu)造了剖面經(jīng)驗(yàn)似然統(tǒng)計(jì)量,并推導(dǎo)了它的漸近分布,隨后對該統(tǒng)計(jì)量進(jìn)行了隨機(jī)數(shù)值模擬以考察其表現(xiàn)情況。第5章為經(jīng)濟(jì)發(fā)展對二氧化碳排放影響的實(shí)證分析。本章基于具有自回歸誤差結(jié)構(gòu)的部分線性模型考察了我國經(jīng)濟(jì)發(fā)展對二氧化碳排放的影響,并利用兩步估計(jì)方法進(jìn)行參數(shù)估計(jì),利用剖面經(jīng)驗(yàn)似然統(tǒng)計(jì)量進(jìn)行假設(shè)檢驗(yàn),以說明它們的實(shí)際應(yīng)用性,并衡量節(jié)能減排工作的具體效果。第6章為結(jié)論與不足。本章是對前文探討的內(nèi)容予以歸納,說明本文存在的不足之處,并針對研究過程中發(fā)現(xiàn)的新問題提出改進(jìn)方向以期后續(xù)予以探討。
沈迪[3]（2021）在《貝葉斯機(jī)器學(xué)習(xí)在火災(zāi)正向預(yù)測與源強(qiáng)反算中的應(yīng)用研究》文中研究指明火場高溫對人身及財(cái)產(chǎn)安全構(gòu)成了重大威脅。火災(zāi)發(fā)生后,及時掌握火源情況對火勢控制具有一定指導(dǎo)意義。然而由于高溫影響,消防救援人員無法直接進(jìn)入火場內(nèi)部獲取火源相關(guān)參數(shù)。因此,根據(jù)火場外圍測量數(shù)據(jù),發(fā)展科學(xué)的火源反算框架具有重大意義。消防人員一旦獲取火源信息,就能通過物理模型計(jì)算得出火場內(nèi)的溫度變化,這有助于對火勢發(fā)展做出正確預(yù)判,以制定更加合理的消防策略。但同時,應(yīng)急管理的時效性要求也對物理模型的快速響應(yīng)提出了挑戰(zhàn)。由此可見,發(fā)展準(zhǔn)確而低成本的正向預(yù)測及反向推算模型能為火災(zāi)的應(yīng)急管理提供科學(xué)的數(shù)據(jù)支持?；馂?zāi)的正向預(yù)測與火源的反向推算是物理過程相互對立的兩個問題,這些問題的解決能為火災(zāi)科學(xué)的全面發(fā)展提供一定的參考依據(jù)。火場溫度的正向預(yù)測一般依賴于數(shù)值求解,但現(xiàn)有的火災(zāi)數(shù)值模擬方法不能同時滿足應(yīng)急管理對低成本和高準(zhǔn)確性的計(jì)算要求。隨著人工智能的興起,各種數(shù)值替代模型已成功應(yīng)用至火災(zāi)問題的研究中,但這些方法均需依靠大量的高保真數(shù)據(jù)才能獲得有效訓(xùn)練。為探究進(jìn)一步降低替代模型建模成本的可能性,本文將一種多變量非參數(shù)貝葉斯回歸模型,即CoKriging模型,引入至單室火災(zāi)的溫度預(yù)測研究中。計(jì)算流體動力學(xué)軟件FDS和火災(zāi)區(qū)域模擬軟件CFAST分別為該模型提供高、低保真訓(xùn)練數(shù)據(jù)。留一交叉驗(yàn)證的結(jié)果表明:在以通風(fēng)口大小、火源熱釋放速率及環(huán)境溫度為輸入?yún)?shù)的情況下,該模型僅需結(jié)合少量的高保真數(shù)據(jù)就能完成對上層煙氣溫度和下層空氣溫度的有效訓(xùn)練。為深入探討該模型在火災(zāi)溫度預(yù)測中的應(yīng)急表現(xiàn)能力,本文還從時間成本和預(yù)測準(zhǔn)確性兩個方面對其展開詳細(xì)分析。與常用數(shù)值模擬方法相比,CoKriging模型的預(yù)測準(zhǔn)確度遠(yuǎn)高于CFAST,其預(yù)測結(jié)果與FDS的計(jì)算結(jié)果十分接近,但其模型響應(yīng)時間僅大約為1秒。這說明:CoKriging模型能對火場溫度做出快速而準(zhǔn)確的預(yù)測,可視為一種有效的火災(zāi)數(shù)值替代方法。與單保真度替代模型ANN、Kriging相比,本文所使用的多保真度模型能夠?qū)崿F(xiàn)與其一致的預(yù)測效果,但建模時間成本僅為原來的1/10,這實(shí)現(xiàn)了應(yīng)急條件下的快速建模。最后,在保持訓(xùn)練數(shù)據(jù)總數(shù)不變的前提下,本文還對7組不同高、低保真訓(xùn)練數(shù)據(jù)占比下的預(yù)測結(jié)果進(jìn)行了對比測試,結(jié)果表明:即使在高、低保真數(shù)據(jù)占比非常小的情況下,CoKriging模型也能對煙氣溫度做出較為準(zhǔn)確的預(yù)測,這從側(cè)面反映出該模型具有強(qiáng)大的數(shù)據(jù)融合能力。火源反算問題往往具有較高的非線性特征,然而現(xiàn)有計(jì)算模型要么無法適應(yīng)復(fù)雜火災(zāi)場景,計(jì)算結(jié)果具有較高的不確定性,要么只能對火源位置做出大致估計(jì),無法提供源強(qiáng)相關(guān)信息。不同于優(yōu)化算法,貝葉斯反演框架能充分考慮實(shí)驗(yàn)觀測和模型簡化帶來的誤差影響,最終以概率分布的形式呈現(xiàn)反演結(jié)果的可信程度。本文為驗(yàn)證貝葉斯反演框架對池火火源反算的可行性,使用甲苯和正庚烷的池火燃燒實(shí)驗(yàn)數(shù)據(jù),分別發(fā)展了兩個關(guān)于火源直徑及熱釋放速率的反算模型。Shokri、Beyler提出的兩個熱輻射計(jì)算方法將分別為這兩個研究算例提供正向預(yù)測模型。研究結(jié)果表明:經(jīng)過50000次迭代計(jì)算,該反演框架能在一定誤差范圍內(nèi)對火源直徑做出較為準(zhǔn)確的估算。火源直徑的后驗(yàn)近似呈現(xiàn)高斯分布,數(shù)據(jù)離散程度較低。然而,對于火源熱釋放速率的研究,該反演框架會計(jì)算得出多個后驗(yàn)峰值,其中一個峰值對應(yīng)的采樣結(jié)果與真實(shí)值較為接近,這表現(xiàn)出了火災(zāi)反演問題的不適定性。研究還發(fā)現(xiàn),觀測數(shù)據(jù)的數(shù)目也能對反演結(jié)果產(chǎn)生一定的影響:當(dāng)觀測數(shù)據(jù)過少（小于3組）時,該模型無法得出有效的火源直徑反算結(jié)果。除此之外,當(dāng)觀測數(shù)據(jù)多于3組后,反演結(jié)果的后驗(yàn)均值不會隨著觀測數(shù)據(jù)的增加而發(fā)生明顯的變化,但后驗(yàn)分布的離散程度會逐漸降低。
張美玲[4]（2021）在《基于廣義差異比混合治愈模型對新型冠狀病毒肺炎潛伏期的統(tǒng)計(jì)分析》文中認(rèn)為自新型冠狀病毒肺炎爆發(fā),不少學(xué)者對其潛伏期進(jìn)行了討論研究,推測病毒潛伏期時長。本文將無癥狀感染者納為研究對象,將新型冠狀病毒肺炎的潛伏期視為帶有治愈部分的區(qū)間刪失數(shù)據(jù),使用廣義差異比混合治愈模型來進(jìn)行統(tǒng)計(jì)分析。該模型因?yàn)榇嬖谵D(zhuǎn)換參數(shù),所以使得未治愈部分包含比例風(fēng)險模型和比例差異模型在內(nèi)的多種生存模型,具有一定的靈活性。根據(jù)對數(shù)似然值選擇轉(zhuǎn)換參數(shù),為在實(shí)踐操作中模型選擇提供參考依據(jù)。為了更好的求解似然函數(shù),引入伽馬-泊松潛變量來擴(kuò)充似然函數(shù),這種方法極大地簡化似然函數(shù)的結(jié)構(gòu)。在不同區(qū)間刪失率下進(jìn)行數(shù)值模擬,結(jié)果表明在參數(shù)估計(jì)值、平均估計(jì)標(biāo)準(zhǔn)誤差和收斂時間等方面使用擴(kuò)充后的似然函數(shù)進(jìn)行估計(jì)要明顯優(yōu)于直接使用觀察似然函數(shù)最大化的方法。將模型應(yīng)用于新型冠狀病毒肺炎的潛伏期的分析中,來估計(jì)參數(shù)、識別風(fēng)險因素、對新個體進(jìn)行預(yù)測,并與其他治愈模型比較。就本文所使用的數(shù)據(jù),我們發(fā)現(xiàn)對數(shù)似然值最大時對應(yīng)的模型正好是比例風(fēng)險混合治愈模型,并與比例差異混合治愈模型和廣義比例差異混合治愈模型比較,發(fā)現(xiàn)轉(zhuǎn)換參數(shù)的取值會影響風(fēng)險因素的判斷,因此選擇合適的治愈模型來擬合生存數(shù)據(jù)非常重要。
韓博[5]（2021）在《生存數(shù)據(jù)下比例風(fēng)險治愈模型的統(tǒng)計(jì)推斷》文中研究指明隨著醫(yī)療水平的提高和個體生存質(zhì)量的提升,流行病學(xué)、腫瘤學(xué)等領(lǐng)域的研究總體出現(xiàn)治愈成分.治愈是指在研究總體中存在一部分個體,即使在時間充足的隨訪中也不會經(jīng)歷所關(guān)注的失效事件,包括疾病感染、復(fù)發(fā)或死亡等.在生存分析中,當(dāng)研究總體含有治愈成分時,從該總體中抽取的樣本數(shù)據(jù)稱為帶有治愈的生存數(shù)據(jù).Cox比例風(fēng)險模型是生存數(shù)據(jù)分析中廣泛應(yīng)用的回歸模型,該模型的一個基本假設(shè)是:隨著時間的不斷推移,研究總體必然經(jīng)歷失效事件.許多存在治愈成分的醫(yī)療健康數(shù)據(jù)與此模型假設(shè)相違背,因而Cox模型及其統(tǒng)計(jì)推斷方法無法處理此類數(shù)據(jù).比例風(fēng)險治愈模型是對Cox模型的拓展和調(diào)整,能夠解決違背模型假設(shè)的問題,同時保留了 Cox模型中不同受試者之間風(fēng)險成比例的特征.本文利用比例風(fēng)險治愈模型對帶有治愈的生存數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析,提出似然估計(jì)方法及其統(tǒng)計(jì)性質(zhì),并將統(tǒng)計(jì)推斷應(yīng)用到實(shí)際問題中.本文的研究內(nèi)容由淺入深,可歸納為三部分.第一部分研究帶有治愈的I型區(qū)間刪失數(shù)據(jù)的統(tǒng)計(jì)分析問題.以比例風(fēng)險治愈模型為研究模型,基于Bernstein多項(xiàng)式構(gòu)造參數(shù)空間的Sieve逼近空間,并對多項(xiàng)式系數(shù)添加序約束,以實(shí)現(xiàn)非參數(shù)分量估計(jì)量單調(diào)不減的形狀約束,進(jìn)而提出比例風(fēng)險治愈模型的Sieve極大似然估計(jì)方法.通過引入雙層泊松潛變量構(gòu)造EM算法,完成估計(jì)量的計(jì)算.基于第一部分的研究基礎(chǔ),第二部分進(jìn)一步分析刪失與缺失并存的隊(duì)列研究數(shù)據(jù).結(jié)合Sieve方法對病例隊(duì)列研究數(shù)據(jù)與巢式病例對照研究數(shù)據(jù)提出擬極大似然估計(jì)方法.另一方面,為解決有效性損失問題,構(gòu)造了 EM算法完成有效估計(jì)的計(jì)算.隊(duì)列研究利用一部分成員的數(shù)據(jù)作為輔助信息,而研究之外的真實(shí)大數(shù)據(jù)則提供了更豐富的輔助信息.第三部分研究融合輔助信息的增強(qiáng)推斷.利用大型癌癥數(shù)據(jù)庫提供的癌癥病例生存概率作為輔助信息,借助經(jīng)驗(yàn)似然方法,將生存概率轉(zhuǎn)化為無偏估計(jì)方程,結(jié)合無偏估計(jì)方程與觀測似然,對右刪失數(shù)據(jù)提出更有效的約束極大似然估計(jì)方法.本文建立上述估計(jì)量的漸近性質(zhì),數(shù)值模擬和實(shí)例分析驗(yàn)證了有限樣本下估計(jì)方法的優(yōu)良性.
王曉璇[6]（2021）在《基于混合治愈模型的股票ST時間的適用性分析》文中研究說明生存分析是一系列用來研究感興趣的事件發(fā)生時間的統(tǒng)計(jì)方法.在有些研究中,可能會存在一部分個體對感興趣的失效事件免疫,或者說永遠(yuǎn)不會經(jīng)歷失效事件,這樣的個體稱為治愈個體.包含治愈個體的失效時間數(shù)據(jù)有一個很明顯的特征:刪失率很高.直觀上看,Kaplan-Meier生存曲線隨著時間增大趨向于一個非零常數(shù),即在其尾部有一段平穩(wěn)部分.例如:我國滬深證券交易所于1998年提出了上市公司退市預(yù)警機(jī)制:ST制度（Special Treatment）,深圳交易所上市公司多達(dá)一千三百多家,被ST處理的股票只有三百余支,占比較低,所以股票數(shù)據(jù)中有可能存在治愈個體.經(jīng)典生存模型由于其假設(shè)的局限性不適合處理此類數(shù)據(jù),治愈模型能很好地解決這一問題,治愈模型又分為混合治愈模型和非混合治愈模型.本文主要行文結(jié)構(gòu)如下:在背景知識部分,主要介紹了中國股票市場特有的ST制度和治愈模型的發(fā)展.在理論知識部分,介紹了比例風(fēng)險混合治愈模型的模型估計(jì)、EM算法、0-尾約束、方差估計(jì)和似然比檢驗(yàn);多重插補(bǔ)法,包括參數(shù)貝葉斯方法、非參數(shù)方法和其他方法;以及變量篩選和降維,包括Wilcoxon秩和檢驗(yàn)、LASSO法和主成分分析.在實(shí)例分析部分,我們收集了深圳股市A股可能到達(dá)ST的生存時間數(shù)據(jù)和財(cái)務(wù)數(shù)據(jù).首先,對收集到的生存時間數(shù)據(jù)進(jìn)行似然比檢驗(yàn)驗(yàn)證治愈個體的存在性.其次,用多重插補(bǔ)法補(bǔ)全缺失值.再次,用Wilcoxon秩和檢驗(yàn)結(jié)合LASSO進(jìn)行變量篩選,并借助主成分分析去除變量間的多重共線性.最后用比例風(fēng)險混合治愈模型進(jìn)行擬合,來分析公司財(cái)務(wù)指標(biāo)對上市公司股票ST時間的影響.
劉玲玲[7]（2021）在《工作模態(tài)參數(shù)識別頻域方法對比研究及其工程應(yīng)用》文中研究表明模態(tài)參數(shù)如頻率、阻尼比和振型等參數(shù)是表征結(jié)構(gòu)動力學(xué)特征的重要參數(shù)。因不需使用額外的激勵設(shè)備、不中斷結(jié)構(gòu)的正常使用等優(yōu)點(diǎn),工作模態(tài)分析（OMA）已經(jīng)被廣泛應(yīng)用于土木工程結(jié)構(gòu)的模態(tài)參數(shù)識別中。與時域方法相比,頻域模態(tài)參數(shù)識別方法具有原理簡單易懂、計(jì)算高效便捷和容易實(shí)現(xiàn)等優(yōu)點(diǎn)。然然而,目前鮮有文獻(xiàn)對不同類型的頻域方法進(jìn)行對比研究。因此,本文在國家自然科學(xué)基金（編號:51778203和51708164）等課題的資助下,針對環(huán)境激勵下的頻域模態(tài)參數(shù)識別幾類流行的方法,對其理論、算法和計(jì)算機(jī)實(shí)現(xiàn)進(jìn)行了深入的分析,并通過兩個Benchmark算例對比各種方法在實(shí)際應(yīng)用中的表現(xiàn),進(jìn)而歸納了各種方法的優(yōu)缺點(diǎn)和適用范圍。此外,由于傳感器數(shù)量有限難以覆蓋所有測點(diǎn),抑或不同傳感器采集的海量數(shù)據(jù)難以同步處理,大型土木工程結(jié)構(gòu)環(huán)境振動測試通常需要劃分多個測組進(jìn)行多次測試。為識別結(jié)構(gòu)整體的振型,本文提出了振型融合的兩階段快速貝葉斯方法,將單個測組中識別的局部振型融合成為整體振型并量化其不確定性,最后用一個實(shí)橋算例驗(yàn)證了方法的有效性。論文的主要工作和結(jié)論如下:（1）系統(tǒng)地討論了工作模態(tài)參數(shù)識別的頻域方法的理論和算法,并將其歸納為確定性非參數(shù)方法、確定性參數(shù)化擬合方法及不確定性分析方法等三大類。非參數(shù)方法包括傳統(tǒng)功率譜方法、功率譜密度傳遞比（PSDT）方法及相干函數(shù)法等,每種方法按照是否使用奇異值分解又各分為兩個類別進(jìn)行闡述。確定性參數(shù)化擬合方法重點(diǎn)研究基于最小二乘復(fù)頻域法發(fā)展起來的Poly MAX方法。不確定性分析方法主要介紹了極大似然函數(shù)法和貝葉斯FFT方法。非參數(shù)方法使用不同的方式構(gòu)造峰值圖,利用譜的特性或引入奇異值分解（SVD）技術(shù)提取模態(tài)頻率;Poly MAX方法借助于模態(tài)模型識別模態(tài)參數(shù),并使用穩(wěn)定圖剔除虛假模態(tài);極大似然方法借助于譜的方差將信號中的噪聲信息傳遞到模態(tài)參數(shù)中,而貝葉斯方法則將誤差模型嵌入到概率模型中,可考慮多源不確定性的影響,具有嚴(yán)謹(jǐn)?shù)慕y(tǒng)計(jì)推斷理論。（2）通過廣州塔和汀九橋兩個健康監(jiān)測Benchmark算例公開的數(shù)據(jù),對三大類頻域參數(shù)識別方法進(jìn)行了分析,并深入對比了各頻域方法識別結(jié)果的差異。研究表明,密集模態(tài)存在時,傳統(tǒng)功率譜方法識別密集模態(tài)的能力遜色于頻域分解法、PSDT法及相干函數(shù)法;相較于功率譜的方法,PSDT法和相干函數(shù)法能夠有效消除廣州塔的第一階模態(tài)附近明顯的虛假模態(tài),并且能夠產(chǎn)生更加尖銳的峰值;Poly MAX方法能夠產(chǎn)生非常清晰的穩(wěn)定圖;貝葉斯方法在參數(shù)不確定性分析,尤其是阻尼參數(shù)不確定性量化方面,相較于極大似然估計(jì)方法明顯更具科學(xué)性和合理性;貝葉斯FFT方法識別的阻比值相比Poly MAX方法及SSI方法偏小。（3）論文研究了窗函數(shù)選擇、NFFT長度及信號長度對PSDT方法識別模態(tài)參數(shù)的影響;討論了隨著測點(diǎn)空間位置的變化,Poly MAX方法所能識別的模態(tài)數(shù)及所識別參數(shù)值的變化;研究了風(fēng)速變化對參數(shù)識別結(jié)果的影響。廣州塔和汀九橋兩個算例分析結(jié)果表明,加Kaiser窗的峰值圖,其峰值最為尖銳,且識別密集模態(tài)能力最強(qiáng);NFFT過短則容易遺漏模態(tài),而其過長則會使峰值曲線產(chǎn)生過多毛刺,干擾峰值的選取;分析信號長度越長,峰值曲線越平滑,可在一定程度上降低識別虛假模態(tài)的風(fēng)險,但當(dāng)其繼續(xù)增大,對峰值曲線的影響趨于穩(wěn)定;對于廣州塔這一高聳柔性結(jié)構(gòu),相對而言,靠近塔頂處振幅相對較大,振型節(jié)點(diǎn)較少,測點(diǎn)響應(yīng)所能識別的模態(tài)數(shù)較多,而對于汀九橋這一柔性橋梁結(jié)構(gòu),由于振型節(jié)點(diǎn)多處于靠近跨中處,因而測點(diǎn)響應(yīng)所能識別的模態(tài)數(shù)相對較少。（4）針對大型結(jié)構(gòu)環(huán)境振動實(shí)驗(yàn)劃分多個測組的情況,提出了結(jié)構(gòu)多測組振型融合的兩階段快速貝葉斯方法。第一階段采用快速貝葉斯快速傅里葉變換（FFT）方法求解各測組頻率、阻尼比和局部振型的最優(yōu)值及協(xié)方差;第二階段利用局部振型協(xié)方差信息自動分配各測組的權(quán)重,基于貝葉斯原理形成負(fù)對數(shù)似然函數(shù),通過解析耦合迭代優(yōu)化算法快速得到整體振型的最優(yōu)值,并推導(dǎo)出負(fù)對數(shù)似然函數(shù)關(guān)于整體振型的Hessian矩陣的解析解,用于量化整體振型的不確定性。理論分析表明,局部振型的不確定性可表征各測組數(shù)據(jù)的質(zhì)量,因此該方法具有根據(jù)各測組信息自動分配權(quán)重的能力。（5）為驗(yàn)證振型融合的快速貝葉斯方法的有效性,將該方法運(yùn)用到一座斜拉人行橋的環(huán)境激勵振動測試數(shù)據(jù)中,識別了結(jié)構(gòu)整體振型并量化了其不確定性。結(jié)果表明,該方法計(jì)算效率較高,在振型融合過程中能有效抑制數(shù)據(jù)質(zhì)量較差測組的影響,且對數(shù)據(jù)質(zhì)量相對越差的測組,其“抑制作用”越明顯。
李強(qiáng)[8]（2020）在《毫米波大規(guī)模共形陣列的波達(dá)方向估計(jì)方法研究》文中研究表明共形陣列是陣列流形和其安裝載體保持一致的陣列。除了機(jī)械結(jié)構(gòu)方面的優(yōu)勢外,共形陣列還提供了360度空間的全方向快速掃描和覆蓋能力,這是傳統(tǒng)陣列天線所不具備的特點(diǎn)。作為新一代雷達(dá)和通信等領(lǐng)域的關(guān)鍵,毫米波技術(shù)是當(dāng)前研究的熱點(diǎn),而毫米波的波長極短和強(qiáng)耗損特點(diǎn),使得毫米波結(jié)合大規(guī)模陣列成為重要的技術(shù)解決途徑。作為當(dāng)下陣列信號處理的兩個研究熱點(diǎn),共形陣列和毫米波陣列的結(jié)合在可預(yù)見的未來會成為一個重要的研究方向,其應(yīng)用場景包括基于無人機(jī)群的毫米波5G通信組網(wǎng)以及毫米波衛(wèi)星通訊系統(tǒng)等,而快速且精確的波達(dá)方向（Direction-of-Arrival,DOA）估計(jì)是毫米波共形陣列得以充分發(fā)揮其優(yōu)勢的關(guān)鍵和前提。本文針對毫米波大規(guī)模共形陣列的特點(diǎn),重點(diǎn)研究低復(fù)雜度、快速迭代、高精確的DOA估計(jì)算法,本文的主要工作及創(chuàng)新包括:1.針對大規(guī)模均勻圓陣（Uniform Circular Array,UCA）,提出了一種基于序列相關(guān)和最佳偏轉(zhuǎn)相位搜索的復(fù)雜度低、精度高的單快拍DOA估計(jì)方法。該方法利用UCA陣列響應(yīng)的相關(guān)性,構(gòu)造了用于DOA粗估計(jì)的匹配系數(shù)序列,并通過循環(huán)互相關(guān)獲得信號源DOA的粗估計(jì);利用偏轉(zhuǎn)相位重構(gòu)匹配系數(shù)序列,從而通過搜索最佳偏轉(zhuǎn)相位得到精確的DOA估計(jì)結(jié)果。具體創(chuàng)新包括:（1）提出并證明了大規(guī)模UCA的陣列響應(yīng)具有良好的自相關(guān)性,并基于此設(shè)計(jì)了匹配系數(shù)序列,利用循環(huán)卷積高效實(shí)現(xiàn)DOA的粗估計(jì);（2）提出了適用于UCA的相位偏轉(zhuǎn)設(shè)計(jì),利用相關(guān)運(yùn)算的互易性質(zhì),將陣列響應(yīng)的相位偏轉(zhuǎn)轉(zhuǎn)化至匹配系數(shù)序列,然后通過對最佳偏轉(zhuǎn)相位的快速搜索實(shí)現(xiàn)DOA的精細(xì)化估計(jì);（3）引入序貫干擾相消算法,實(shí)現(xiàn)了多信源的DOA估計(jì)。并將提出的單快拍方法擴(kuò)展到多快拍場景,進(jìn)一步提高了算法性能;（4）評估了本方法的運(yùn)算量,和基于子空間的多種算法相比較,具有數(shù)量級上的優(yōu)勢;（5）推導(dǎo)了所提估計(jì)方法的克拉美-羅下界（Cramér-Rao Lower Bound,CRLB）的閉式解,并通過仿真實(shí)驗(yàn)驗(yàn)證了所提方法能夠在高信噪比（Signal to Noise Ratio,SNR）下逼近CRLB。2.針對大規(guī)模均勻圓柱陣列,提出了一種基于離散傅里葉變換（Discrete Fourier Transform,DFT）、匹配相關(guān)和最佳偏轉(zhuǎn)相位搜索的低復(fù)雜度、高精度的單快拍DOA估計(jì)方法。該方法利用均勻圓柱陣列的對稱性特點(diǎn),將二維角度估計(jì)解耦。首先,利用DFT和最佳偏轉(zhuǎn)相位搜索實(shí)現(xiàn)基于均勻線陣（Uniform Linear Array,ULA）的俯仰維DOA初步估計(jì)。然后,基于匹配相關(guān)和最佳偏轉(zhuǎn)相位搜索實(shí)現(xiàn)方位維DOA的估計(jì)。最后,借助方位維DOA估計(jì)結(jié)果對俯仰維DOA進(jìn)行精確估計(jì),從而最終得到大規(guī)模均勻圓柱陣列的二維DOA估計(jì)結(jié)果。具體創(chuàng)新包括:（1）基于空間矢量運(yùn)算構(gòu)建了均勻圓柱陣列的接收信號模型,并將均勻圓柱陣列的陣列響應(yīng)分解成ULA和UCA的陣列響應(yīng)的克羅內(nèi)克積的形式;（2）利用相干積累將均勻圓柱陣的接收信號降維合成單個的虛擬UCA,從而可利用前文方法實(shí)現(xiàn)方位維DOA的估計(jì),極大地提高了估計(jì)SNR和DOA估計(jì)精度;（3）利用相干積累將均勻圓柱陣的接收信號降維合成單個的虛擬ULA,進(jìn)一步提高了俯仰維的估計(jì)SNR和DOA估計(jì)精度;（4）分析了偶極子極化模型下信號的特點(diǎn)以及對所提出算法的影響;（5）開展了大量仿真實(shí)驗(yàn),驗(yàn)證了本章方法的高性能和相比于已有算法的優(yōu)越性。3.針對大規(guī)模巴特勒矩陣收發(fā)器（Butler Matrix-based Transceiver,BMT）混合共形陣列,提出了基于寬波束合成、快速區(qū)間迭代和二進(jìn)制編碼的多種快速DOA估計(jì)方法。該類方法首先根據(jù)BMT的探測能力和排布方式對陣列探測角度空間進(jìn)行了劃分;然后利用BMT的寬波束合成方法合成多個寬波束,以覆蓋整個探測角度空間;通過各個寬波束檢測到的信號功率確定DOA所在的角度區(qū)間,迭代不斷縮小角度區(qū)間范圍直到將DOA定位到某個特定的DFT波束上。具體創(chuàng)新包括:（1）基于空間矢量運(yùn)算建立了BMT共形陣列的信號模型;（2）提出了空間角度域的BMT寬波束合成方法;（3）提出了快速區(qū)間迭代的方案,包括密鋪寬波束法和重疊寬波束法,計(jì)算和分析了其運(yùn)算量和迭代速度;（4）提出和證明了BMT非重疊寬波束的自由疊加原理;（5）提出了基于等長二進(jìn)制編碼的DOA快速定位方法,計(jì)算和分析了其迭代速度;（6）針對DOA非等概率分布的情況,提出了基于哈夫曼編碼的DOA快速定位方法。4.針對大規(guī)模BMT混合共形陣列,提出了基于DOA快速定位和高階差分波束的精確DOA估計(jì)方法,以及基于極大似然準(zhǔn)則的DOA估計(jì)結(jié)果融合方法。該方法首先進(jìn)行前文所述的快速DOA估計(jì),將DOA定位到特定的DFT波束上;再利用差分波束或高階差分波束的方法,使用多個BMT分別進(jìn)行DOA估計(jì);最后利用極大似然估計(jì)的方法將多個BMT的估計(jì)結(jié)果進(jìn)行融合,得到最終的精確DOA估計(jì)結(jié)果。具體創(chuàng)新包括:（1）分析了基于DFT波束的測角方法存在的缺點(diǎn),據(jù)此提出了差分波束的概念,并推導(dǎo)了基于差分波束的DOA估計(jì)方法的閉式解;（2）構(gòu)造并提出了高階差分波束的概念,并討論了其用于DOA估計(jì)的優(yōu)勢和存在的問題;（3）分析了硬件可實(shí)現(xiàn)的二階差分波束的兩種形式,推導(dǎo)了用于DOA估計(jì)的閉式解,對比討論了各自的優(yōu)缺點(diǎn),以及和已有算法在DOA估計(jì)性能上的差異;（4）分析了差分波束和高階差分波束在不同DOA下均方誤差的差異性,并據(jù)此提出了基于極大似然法則的多BMT的DOA估計(jì)結(jié)果的融合方法;（5）通過仿真實(shí)驗(yàn)驗(yàn)證了所提方法的有效性,并通過對差分波束和高階差分波束的性能仿真驗(yàn)證了其相較于DFT波束的優(yōu)勢和特點(diǎn)。
石莊彬[9]（2020）在《城市軌道交通線網(wǎng)客流分布態(tài)勢演變研究》文中研究指明近年來我國城市軌道交通的運(yùn)營規(guī)模不斷擴(kuò)大,線網(wǎng)客流量也隨之急劇增加。為了應(yīng)對高強(qiáng)度客流的組織管理,國內(nèi)許多城市紛紛開始建設(shè)智能化、信息化、網(wǎng)絡(luò)化的城市軌道交通線網(wǎng)指揮平臺,這也是建設(shè)交通強(qiáng)國和智慧城市的重要組成部分。其中,準(zhǔn)確實(shí)時的軌道交通線網(wǎng)客流分布對于實(shí)現(xiàn)網(wǎng)絡(luò)運(yùn)行狀態(tài)監(jiān)測及預(yù)警、協(xié)同運(yùn)營組織優(yōu)化、應(yīng)急處置協(xié)調(diào)聯(lián)動具有極其重要的作用。鑒于此,本文系統(tǒng)分析和研究城市軌道交通客流的時空分布變化規(guī)律和乘客出行特性,重點(diǎn)圍繞乘客歷史出行路徑推斷、動態(tài)OD客流估計(jì)、乘客路徑選擇行為三個關(guān)鍵科學(xué)問題展開,探究準(zhǔn)確實(shí)時的城市軌道交通線網(wǎng)客流分布估計(jì)方法。研究成果對于提升我國城市軌道交通運(yùn)營管理的智能化水平具有理論和實(shí)踐的雙層指導(dǎo)意義。首先,以南京市工作日軌道交通自動售檢票系統(tǒng)（Automatic Fare Collection System,AFC）的刷卡交易數(shù)據(jù)為基礎(chǔ),提取了城市軌道交通客流量,主要包括進(jìn)出站客流量和OD客流量矩陣;并分別從時間和空間兩個維度詳細(xì)分析了城市軌道交通客流分布特性,探討城市軌道交通需求分布的時空變化規(guī)律和客流出行特性,為后續(xù)模型的構(gòu)建、參數(shù)標(biāo)定、驗(yàn)證以及應(yīng)用研究奠定數(shù)據(jù)分析基礎(chǔ)。其次,提出了一種基于限制搜索深度的線網(wǎng)OD可達(dá)路徑搜索算法;以僅有單一可達(dá)路徑的OD對作為分析對象,分別采用四種不同的隨機(jī)分布對單一路徑旅行時間進(jìn)行分布擬合,得到單一路徑的旅行時間分布呈現(xiàn)右偏厚尾的特征,并服從對數(shù)正態(tài)分布;在對單一路徑旅行時間分布特征分析研究的基礎(chǔ)上,構(gòu)建了多路徑OD對旅行時間的混合分布參數(shù)估計(jì)方法,同時引入自適應(yīng)機(jī)制思想以實(shí)現(xiàn)分布參數(shù)的動態(tài)更新,在此基礎(chǔ)上,利用貝葉斯分類器推斷乘客歷史出行路徑。結(jié)果表明,基于自適應(yīng)機(jī)制的動態(tài)分布參數(shù)估計(jì)方法能夠更好地描述路徑旅行時間的趨勢變化和不確定性水平。同時,路徑選擇比例一致性檢驗(yàn)結(jié)果表明,本文構(gòu)建的歷史乘客出行路徑推斷模型估計(jì)結(jié)果具有很高的可信度。然后,梳理了大規(guī)模交通網(wǎng)絡(luò)OD估計(jì)問題中可觀測量和待估計(jì)OD量之間的復(fù)雜關(guān)系,以矩陣形式建立了城市軌道交通網(wǎng)絡(luò)中站點(diǎn)的動態(tài)流量守恒關(guān)系;本文突破傳統(tǒng)動態(tài)OD估計(jì)模型對于系統(tǒng)噪聲的高斯分布假設(shè),構(gòu)建了基于粒子濾波算法的動態(tài)OD客流估計(jì)模型,并通過粒子更新和預(yù)采樣動態(tài)捕捉OD客流周期性的影響強(qiáng)度。結(jié)果表明相比傳統(tǒng)的歷史值估計(jì)法和卡爾曼濾波方法,本文構(gòu)建的基于粒子濾波算法的動態(tài)OD客流估計(jì)方法在整體指標(biāo)和分時段指標(biāo)都表現(xiàn)出更高的準(zhǔn)確性,且具有非常良好的運(yùn)行效率,完成單個時間段的OD估計(jì)平均僅耗時1.37秒,完全滿足城市軌道交通企業(yè)動態(tài)運(yùn)輸組織的時效性要求。最后,分析了城市軌道交通乘客路徑選擇行為特征以及與道路交通系統(tǒng)的不同點(diǎn);分別從路徑固有屬性（換乘次數(shù)、路徑旅行時間）和擁擠關(guān)聯(lián)屬性兩個方面探討了城市軌道交通中路徑選擇行為的潛在影響因素,并建立對應(yīng)量化表征指標(biāo);以AFC刷卡數(shù)據(jù)和根據(jù)路徑推斷結(jié)果仿真得到的精細(xì)路徑狀態(tài)信息為基礎(chǔ)建模數(shù)據(jù),構(gòu)建了基于條件多項(xiàng)Logit模型的乘客路徑選擇模型,并對模型參數(shù)進(jìn)行標(biāo)定;結(jié)果表明,相比于只考慮簡單靜態(tài)路徑信息的選擇模型,本文構(gòu)建的乘客實(shí)時路徑選擇模型不僅具有更好的擬合能力,還更深度而全面地揭示了乘客路徑選擇行為的決策機(jī)理,可以為企業(yè)運(yùn)輸組織方案的制定提供精細(xì)化和有價值的參考依據(jù)。
謝昂[10]（2020）在《數(shù)據(jù)驅(qū)動的手機(jī)傳感器融合與室內(nèi)行人軌跡重建方法研究》文中研究說明智能手機(jī)的普及和其所配備的豐富傳感器使其逐漸成為新的感知和計(jì)算平臺。借助智能手機(jī)獲取位置信息的便利,基于位置的服務(wù)受到產(chǎn)業(yè)界越來越多的關(guān)注,其關(guān)鍵在于如何獲取精準(zhǔn)可靠的室內(nèi)行人運(yùn)動軌跡。目前的技術(shù)能夠利用智能手機(jī)傳感器讀數(shù)對持有者進(jìn)行行走判斷與方向估計(jì),并且能夠通過手機(jī)掃描得到的室內(nèi)無線信號強(qiáng)度特征進(jìn)行粗略的位置估計(jì),但這些方法會不免受到噪聲、累積估計(jì)誤差、以及信號波動等因素的影響,從而限制了它們的精度。此外,目前的高精度室內(nèi)位置估計(jì)方法大多依賴于特定的設(shè)備安裝與環(huán)境布置,如射頻識別、紅外、可見光、計(jì)算機(jī)視覺和超聲波等,這些方法雖然能夠提供較為準(zhǔn)確的位置估計(jì),但成本極高,很難被普遍推廣到日常生活應(yīng)用中。為了能夠在一般的室內(nèi)環(huán)境中取得較高的軌跡重建精度,一個極具前景的發(fā)展方向是對現(xiàn)有技術(shù)手段進(jìn)行融合互補(bǔ),并在模型及算法層面上提升其表示能力,從長時間積累于應(yīng)用之中的歷史數(shù)據(jù)學(xué)習(xí)復(fù)雜的映射關(guān)系。本文提出了一種數(shù)據(jù)驅(qū)動的室內(nèi)軌跡重建方法,利用非參數(shù)化的高斯過程模型對行人前后時刻位置之間的映射關(guān)系以及位置與量測量之間的映射關(guān)系進(jìn)行建模,得到具有強(qiáng)大表示能力的高斯過程狀態(tài)空間模型（Gaussian process state-space model,GPSSM）,能夠更準(zhǔn)確地捕捉一切動態(tài)行為。相比在室內(nèi)場景中常用的參數(shù)化經(jīng)驗(yàn)?zāi)Ｐ?數(shù)據(jù)驅(qū)動的非參模型能夠更好地表示復(fù)雜的行人運(yùn)動模式以及在復(fù)雜的無線傳播環(huán)境下收集到的量測數(shù)據(jù)。GPSSM為基于WiFi接收信號強(qiáng)度的位置估計(jì)方法以及基于智能手機(jī)慣性測量單元的行人航位推算技術(shù)提供了天然的融合機(jī)制,有助于對室內(nèi)軌跡重建算法進(jìn)行整體、全新地設(shè)計(jì)。此外,與黑箱式的深度神經(jīng)網(wǎng)絡(luò)框架相比,高斯過程所代表的貝葉斯方法具有更好的模型解釋性和靈活性。本文針對GPSSM的特殊、復(fù)雜結(jié)構(gòu),結(jié)合貝葉斯學(xué)習(xí)、推斷以及深度學(xué)習(xí)的最新進(jìn)展,為其設(shè)計(jì)精確的、低計(jì)算復(fù)雜度的、可擴(kuò)展至大數(shù)據(jù)集的超參數(shù)訓(xùn)練框架。本文還為GPSSM在室內(nèi)軌跡重建場景下的實(shí)際應(yīng)用進(jìn)行了適配,并針對算法的計(jì)算復(fù)雜度以及穩(wěn)定性等問題提出了相應(yīng)的優(yōu)化方案。本文設(shè)計(jì)并開發(fā)了一套用于智能手機(jī)傳感器數(shù)據(jù)收集、傳輸和存儲管理的軟件系統(tǒng),并在真實(shí)、復(fù)雜的室內(nèi)環(huán)境中收集行人歷史軌跡數(shù)據(jù)用以訓(xùn)練GPSSM,展示它所帶來的軌跡重建精度提升效果和極佳的自適應(yīng)性。
二、一種用于推算感染時間曲線的非參數(shù)極大似然估計(jì)方法（論文開題報(bào)告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準(zhǔn)備的觀點(diǎn)或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結(jié)構(gòu)并詳細(xì)分析其設(shè)計(jì)過程。在該MMU結(jié)構(gòu)中,TLB采用叁個分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細(xì)粒度為4KB兩種頁面大小,采用多級分層頁表結(jié)構(gòu)映射地址空間,并詳細(xì)論述了四級頁表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲系統(tǒng)實(shí)現(xiàn)的一個重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關(guān)信息。
實(shí)驗(yàn)法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認(rèn)事物間的因果關(guān)系。
文獻(xiàn)研究法：通過調(diào)查文獻(xiàn)來獲得資料，從而全面的、正確的了解掌握研究方法。
實(shí)證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實(shí)踐的需要提出設(shè)計(jì)。
定性分析法：對研究對象進(jìn)行“質(zhì)”的方面的研究，這個方法需要計(jì)算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認(rèn)識進(jìn)一步精確化。
跨學(xué)科研究法：運(yùn)用多學(xué)科的理論、方法和成果從整體上對某一課題進(jìn)行研究。
功能分析法：這是社會科學(xué)用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設(shè)一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、一種用于推算感染時間曲線的非參數(shù)極大似然估計(jì)方法（論文提綱范文）
（1）地圖匹配輔助的Wi-Fi/iBeacon/PDR室內(nèi)融合定位算法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 Wi-Fi定位技術(shù)研究現(xiàn)狀 |
| 1.2.2 iBeacon定位技術(shù)研究現(xiàn)狀 |
| 1.2.3 PDR定位技術(shù)研究現(xiàn)狀 |
| 1.2.4 多源融合定位技術(shù)研究現(xiàn)狀 |
| 1.2.5 室內(nèi)定位領(lǐng)域存在的問題 |
| 1.3 論文主要研究內(nèi)容 |
| 1.4 本章小結(jié) |
| 2 室內(nèi)定位技術(shù)算法介紹及定位精度評價 |
| 2.1 定位精度評價標(biāo)準(zhǔn) |
| 2.2 室內(nèi)定位基本方法 |
| 2.2.1 三邊測量定位法 |
| 2.2.2 極大似然法 |
| 2.3 常用的定位算法 |
| 2.3.1 RSSI定位算法 |
| 2.3.2 TOA定位算法 |
| 2.3.3 TDOA定位算法 |
| 2.3.4 AOA定位算法 |
| 2.4 本章小結(jié) |
| 3 室內(nèi)定位技術(shù) |
| 3.1 Wi-Fi室內(nèi)定位技術(shù) |
| 3.1.1 基于K近鄰的位置指紋庫匹配室內(nèi)定位 |
| 3.1.2 基于SVM的位置指紋庫匹配室內(nèi)定位 |
| 3.1.3 Wi-Fi室內(nèi)定位流程 |
| 3.1.4 定位結(jié)果及精度評價 |
| 3.2 iBeacon室內(nèi)定位技術(shù) |
| 3.2.1 性能指標(biāo)模型定位 |
| 3.2.2 iBeacon室內(nèi)定位流程 |
| 3.2.3 定位結(jié)果及精度評價 |
| 3.3 PDR室內(nèi)定位技術(shù) |
| 3.3.1 MEMS傳感器分類 |
| 3.3.2 PDR定位算法坐標(biāo)系 |
| 3.3.3 計(jì)步算法與步長估計(jì) |
| 3.3.4 PDR室內(nèi)定位流程 |
| 3.3.5 定位結(jié)果及精度評價 |
| 3.4 本章小結(jié) |
| 4 地圖匹配輔助Wi-Fi/iBeacon/PDR室內(nèi)融合定位技術(shù) |
| 4.1 室內(nèi)融合定位及輔助定位技術(shù)介紹 |
| 4.1.1 標(biāo)準(zhǔn)卡爾曼濾波 |
| 4.1.2 擴(kuò)展卡爾曼濾波 |
| 4.1.3 滑動平均濾波 |
| 4.1.4 輔助室內(nèi)定位的地圖匹配技術(shù) |
| 4.2 室內(nèi)融合定位算法 |
| 4.2.1 地圖匹配輔助的Wi-Fi與PDR融合定位 |
| 4.2.2 地圖匹配輔助的Wi-Fi、PDR與iBeacon滑動平均濾波融合定位 |
| 4.2.3 地圖匹配輔助的Wi-Fi、PDR與iBeacon EKF融合定位 |
| 4.3 融合定位結(jié)果分析 |
| 4.4 本章小結(jié) |
| 5 結(jié)論與展望 |
| 5.1 本文研究內(nèi)容總結(jié) |
| 5.2 研究的工作展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 作者簡介及讀研期間主要科研成果 |
（2）經(jīng)濟(jì)發(fā)展對二氧化碳排放影響的再評估 ——基于具有自回歸誤差結(jié)構(gòu)的部分線性模型（論文提綱范文）
| 摘要 |
| abstract |
| 第1章 緒論 |
| 1.1 研究背景及意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 國內(nèi)外文獻(xiàn)綜述及述評 |
| 1.2.1 部分線性模型的研究現(xiàn)狀 |
| 1.2.2 經(jīng)濟(jì)發(fā)展對二氧化碳排放影響的研究現(xiàn)狀 |
| 1.2.3 文獻(xiàn)述評 |
| 1.3 研究思路與框架 |
| 1.3.1 研究思路與內(nèi)容 |
| 1.3.2 研究框架 |
| 1.4 創(chuàng)新與難點(diǎn) |
| 第2章 預(yù)備知識 |
| 2.1 基礎(chǔ)模型概述 |
| 2.1.1 自回歸模型 |
| 2.1.2 部分線性模型 |
| 2.2 統(tǒng)計(jì)推斷概述 |
| 2.2.1 最小二乘法 |
| 2.2.2 假設(shè)檢驗(yàn) |
| 2.3 核估計(jì)方法概述 |
| 2.3.1 核密度估計(jì) |
| 2.3.2 Nadaraya-Watson核估計(jì)方法 |
| 2.4 經(jīng)驗(yàn)似然方法概述 |
| 2.5 二氧化碳排放的影響因素 |
| 2.6 本章小結(jié) |
| 第3章 自回歸誤差下部分線性模型的參數(shù)估計(jì) |
| 3.1 具有自回歸誤差結(jié)構(gòu)的部分線性模型 |
| 3.2 兩步估計(jì)方法 |
| 3.2.1 符號設(shè)置 |
| 3.2.2 兩步估計(jì)方法 |
| 3.2.3 兩步估計(jì)的性質(zhì) |
| 3.3 數(shù)值模擬 |
| 3.4 定理的證明 |
| 3.4.1 兩步估計(jì)的相合性 |
| 3.4.2 兩步估計(jì)的漸近正態(tài)性 |
| 3.5 本章小結(jié) |
| 第4章 自回歸誤差下部分線性模型的假設(shè)檢驗(yàn) |
| 4.1 經(jīng)驗(yàn)似然檢驗(yàn)方法 |
| 4.2 數(shù)值模擬 |
| 4.3 定理的證明 |
| 4.4 本章小結(jié) |
| 第5章 經(jīng)濟(jì)發(fā)展對二氧化碳排放影響的實(shí)證分析 |
| 5.1 模型的構(gòu)建 |
| 5.2 數(shù)據(jù)來源及描述 |
| 5.2.1 數(shù)據(jù)來源 |
| 5.2.2 數(shù)據(jù)描述 |
| 5.3 統(tǒng)計(jì)分析 |
| 5.3.1 參數(shù)估計(jì) |
| 5.3.2 關(guān)于β的假設(shè)檢驗(yàn) |
| 5.4 本章小結(jié) |
| 第6章 總結(jié)與不足 |
| 6.1 總結(jié) |
| 6.2 不足與改進(jìn)方向 |
| 參考文獻(xiàn) |
| 致謝 |
| 攻讀碩士學(xué)位期間取得的科研成果 |
（3）貝葉斯機(jī)器學(xué)習(xí)在火災(zāi)正向預(yù)測與源強(qiáng)反算中的應(yīng)用研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第1章 緒論 |
| 1.1 研究背景和意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 火災(zāi)溫度預(yù)測替代模型研究現(xiàn)狀 |
| 1.2.2 CoKriging多保真替代模型研究現(xiàn)狀 |
| 1.2.3 火源反算方法研究現(xiàn)狀 |
| 1.3 研究內(nèi)容與技術(shù)路線 |
| 1.3.1 研究目的及內(nèi)容 |
| 1.3.2 章節(jié)安排與技術(shù)路線 |
| 第2章 研究模型與方法 |
| 2.1 火災(zāi)計(jì)算模擬方法 |
| 2.1.1 池火熱輻射的經(jīng)驗(yàn)求解方法 |
| 2.1.2 常見火災(zāi)數(shù)值模擬方法 |
| 2.2 火災(zāi)正向預(yù)測替代模型 |
| 2.2.1 單保真替代模型 |
| 2.2.2 CoKriging多保真替代模型 |
| 2.3 貝葉斯火災(zāi)反演模型 |
| 2.3.1 貝葉斯統(tǒng)計(jì)推斷 |
| 2.3.2 馬爾科夫鏈蒙特卡洛算法 |
| 2.4 本章小結(jié) |
| 第3章 CoKriging模型在火災(zāi)溫度預(yù)測中的應(yīng)用研究 |
| 3.1 引言 |
| 3.2 多保真訓(xùn)練數(shù)據(jù)集的準(zhǔn)備 |
| 3.2.1 單室火災(zāi)場景與數(shù)值模擬 |
| 3.2.2 數(shù)據(jù)后處理及相關(guān)性檢驗(yàn) |
| 3.2.3 高、低保真數(shù)據(jù)占比的初步劃分 |
| 3.3 多保真溫度預(yù)測模型的構(gòu)建 |
| 3.3.1 CoKriging模型的設(shè)置 |
| 3.3.2 CoKriging模型的有效性驗(yàn)證 |
| 3.4 預(yù)測結(jié)果與對比分析 |
| 3.4.1 多保真替代模型與數(shù)值模擬方法預(yù)測結(jié)果的對比分析 |
| 3.4.2 多保真替代模型與單保真替代模型預(yù)測結(jié)果的對比分析 |
| 3.4.3 高、低保真度訓(xùn)練數(shù)據(jù)占比對預(yù)測結(jié)果的影響探究 |
| 3.5 本章小結(jié) |
| 第4章 貝葉斯反演模型在火源推算中的應(yīng)用研究 |
| 4.1 引言 |
| 4.2 基于Shokri-Beyler經(jīng)驗(yàn)關(guān)系式的火源直徑反演 |
| 4.2.1 池火實(shí)驗(yàn)與觀測數(shù)據(jù) |
| 4.2.2 火源直徑反演模型的設(shè)定 |
| 4.2.3 采樣診斷 |
| 4.2.4 后驗(yàn)分析 |
| 4.3 貝葉斯反演模型性能研究 |
| 4.3.1 觀測數(shù)據(jù)對反演結(jié)果的影響研究 |
| 4.3.2 貝葉斯反演的多解問題 |
| 4.4 本章小結(jié) |
| 第5章 總結(jié)與展望 |
| 5.1 本文主要內(nèi)容及結(jié)論 |
| 5.2 創(chuàng)新點(diǎn) |
| 5.3 展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 在讀期間發(fā)表的學(xué)術(shù)論文與取得的其他研究成果 |
（4）基于廣義差異比混合治愈模型對新型冠狀病毒肺炎潛伏期的統(tǒng)計(jì)分析（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.3 文章結(jié)構(gòu) |
| 2 基礎(chǔ)理論 |
| 2.1 刪失數(shù)據(jù) |
| 2.2 基本函數(shù) |
| 2.2.1 生存函數(shù) |
| 2.2.2 風(fēng)險函數(shù) |
| 2.3 生存模型 |
| 2.3.1 比例風(fēng)險模型 |
| 2.3.2 比例差異模型 |
| 2.3.3 廣義差異比模型 |
| 3 廣義差異比混合治愈模型的統(tǒng)計(jì)推斷 |
| 3.1 廣義差異比混合治愈模型 |
| 3.2 極大似然估計(jì)與EM算法 |
| 3.2.1 樣條函數(shù) |
| 3.2.2 似然函數(shù)的構(gòu)造 |
| 3.2.3 EM算法 |
| 3.2.4 方差估計(jì) |
| 3.3 小結(jié) |
| 4 數(shù)值模擬 |
| 4.1 模擬過程 |
| 4.2 樣條節(jié)點(diǎn)和次數(shù)選取 |
| 4.3 模擬結(jié)果 |
| 4.3.1 20%區(qū)間刪失率 |
| 4.3.2 40%區(qū)間刪失率 |
| 4.4 小結(jié) |
| 5 實(shí)例分析 |
| 5.1 數(shù)據(jù)背景及來源 |
| 5.2 數(shù)據(jù)概述 |
| 5.3 模型假設(shè) |
| 5.4 生存曲線估計(jì) |
| 5.4.1 Turnbull估計(jì) |
| 5.4.2 樣本生存估計(jì) |
| 5.4.3 分特征的生存估計(jì) |
| 5.5 模型應(yīng)用 |
| 5.6 模型比較 |
| 5.7 小結(jié) |
| 結(jié)論 |
| 參考文獻(xiàn) |
| 致謝 |
（5）生存數(shù)據(jù)下比例風(fēng)險治愈模型的統(tǒng)計(jì)推斷（論文提綱范文）
| 摘要 |
| abstract |
| 主要符號表 |
| 1 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.3 本文工作 |
| 2 Ⅰ型區(qū)間刪失數(shù)據(jù)下比例風(fēng)險治愈模型的統(tǒng)計(jì)推斷 |
| 2.1 引言 |
| 2.2 模型 |
| 2.3 Sieve極大似然估計(jì) |
| 2.4 漸近性質(zhì) |
| 2.5 EM算法 |
| 2.6 模擬研究 |
| 2.7 實(shí)例分析 |
| 2.8 定理證明 |
| 2.9 本章小結(jié) |
| 3 右刪失與缺失并存下比例風(fēng)險治愈模型的統(tǒng)計(jì)推斷 |
| 3.1 引言 |
| 3.2 模型及兩類隊(duì)列設(shè)計(jì) |
| 3.3 擬極大似然估計(jì) |
| 3.4 漸近性質(zhì) |
| 3.5 EM算法 |
| 3.6 模擬研究 |
| 3.7 實(shí)例分析 |
| 3.8 定理證明 |
| 3.9 本章小結(jié) |
| 4 右刪失數(shù)據(jù)下融合輔助信息的比例風(fēng)險治愈模型的統(tǒng)計(jì)推斷 |
| 4.1 引言 |
| 4.2 模型及輔助信息 |
| 4.3 約束極大似然估計(jì) |
| 4.4 漸近性質(zhì) |
| 4.5 模擬研究 |
| 4.6 實(shí)例分析 |
| 4.7 定理證明 |
| 4.8 本章小結(jié) |
| 5 結(jié)論與展望 |
| 5.1 結(jié)論 |
| 5.2 創(chuàng)新點(diǎn) |
| 5.3 展望 |
| 參考文獻(xiàn) |
| 攻讀博士學(xué)位期間科研項(xiàng)目及科研成果 |
| 致謝 |
| 作者簡介 |
（6）基于混合治愈模型的股票ST時間的適用性分析（論文提綱范文）
| 摘要 |
| Abstract |
| 1 背景知識 |
| 2 生存分析 |
| 2.1 基本概念 |
| 2.2 主要函數(shù) |
| 2.3 研究內(nèi)容 |
| 2.4 Cox比例風(fēng)險回歸模型 |
| 3 比例風(fēng)險混合治愈模型的統(tǒng)計(jì)推斷 |
| 3.1 模型和估計(jì) |
| 3.1.1 極大似然估計(jì) |
| 3.1.2 EM算法 |
| 3.1.3 0 -尾約束 |
| 3.1.4 方差估計(jì) |
| 3.2 似然比檢驗(yàn) |
| 4 多重插補(bǔ)法 |
| 4.1 參數(shù)貝葉斯方法 |
| 4.2 非參數(shù)方法 |
| 4.3 其他方法 |
| 4.4 統(tǒng)計(jì)推斷 |
| 5 變量篩選和降維 |
| 5.1 Wilcoxon秩和檢驗(yàn) |
| 5.2 LASSO方法 |
| 5.3 主成分分析 |
| 6 股票數(shù)據(jù)實(shí)例分析 |
| 6.1 財(cái)務(wù)指標(biāo)選取 |
| 6.1.1 符號說明 |
| 6.1.2 財(cái)務(wù)預(yù)備知識 |
| 6.2 數(shù)據(jù)預(yù)處理 |
| 6.2.1 似然比檢驗(yàn) |
| 6.2.2 缺失值處理 |
| 6.3 變量篩選和降維 |
| 6.3.1 Wilcoxon秩和檢驗(yàn) |
| 6.3.2 LASSO變量篩選 |
| 6.3.3 主成分分析 |
| 6.4 模型擬合 |
| 結(jié)論 |
| 參考文獻(xiàn) |
| 附錄 A 失效個體與刪失個體各變量分布比較 |
| 致謝 |
（7）工作模態(tài)參數(shù)識別頻域方法對比研究及其工程應(yīng)用（論文提綱范文）
| 致謝 |
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 課題的研究背景及意義 |
| 1.2 工作模態(tài)參數(shù)識別頻域方法綜述 |
| 1.2.1 傳統(tǒng)的功率譜方法 |
| 1.2.2 頻域分解法 |
| 1.2.3 功率譜密度傳遞比方法與基于奇異值分解的功率譜密度傳遞比方法 |
| 1.2.4 相干函數(shù)法與基于奇異值分解的相干函數(shù)法 |
| 1.2.5 PolyMAX方法 |
| 1.2.6 極大似然函數(shù)法 |
| 1.2.7 貝葉斯模態(tài)參數(shù)識別方法 |
| 1.3 結(jié)構(gòu)多測組振型融合方法綜述 |
| 1.4 本文的主要工作 |
| 第二章 工作模態(tài)參數(shù)識別頻域方法理論對比研究 |
| 2.1 引言 |
| 2.2 非參數(shù)識別方法 |
| 2.2.1 傳統(tǒng)的功率譜方法 |
| 2.2.2 功率譜密度傳遞比方法 |
| 2.2.3 相干函數(shù)方法 |
| 2.3 參數(shù)化擬合方法 |
| 2.4 不確定分析方法 |
| 2.4.1 基于模態(tài)模型的極大似然識別方法(MLMM) |
| 2.4.2 快速貝葉斯FFT方法 |
| 2.5 本章小結(jié) |
| 第三章 工作模態(tài)參數(shù)識別頻域方法Benchmark算例對比研究 |
| 3.1 引言 |
| 3.2 廣州塔模態(tài)參數(shù)識別 |
| 3.2.1 廣州塔監(jiān)測系統(tǒng)及測試數(shù)據(jù)說明 |
| 3.2.2 非參數(shù)方法識別結(jié)果 |
| 3.2.3 參數(shù)方法識別結(jié)果 |
| 3.2.4 不確定分析方法識別結(jié)果 |
| 3.2.5 參數(shù)分析 |
| 3.3 汀九橋模態(tài)參數(shù)識別 |
| 3.3.1 汀九橋監(jiān)測系統(tǒng)及測試數(shù)據(jù)說明 |
| 3.3.2 非參數(shù)方法識別結(jié)果 |
| 3.3.3 參數(shù)方法識別結(jié)果 |
| 3.3.4 不確定分析方法識別結(jié)果 |
| 3.3.5 參數(shù)分析 |
| 3.4 本章小結(jié) |
| 第四章 結(jié)構(gòu)多測組振型融合理論 |
| 4.1 引言 |
| 4.2 多測組工況下結(jié)構(gòu)振型識別問題 |
| 4.3 各測組局部振型識別 |
| 4.4 貝葉斯振型融合理論 |
| 4.4.1 局部振型與整體振型的關(guān)聯(lián) |
| 4.4.2 整體振型后驗(yàn)概率密度函數(shù) |
| 4.4.3 整體振型最優(yōu)值 |
| 4.4.4 整體振型最優(yōu)值 |
| 4.4.5 整體振型后驗(yàn)不確定性 |
| 4.5 本章小結(jié) |
| 第五章 結(jié)構(gòu)多測組振型融合方法的實(shí)橋應(yīng)用 |
| 5.1 引言 |
| 5.2 白馬湖公園虹橋簡介 |
| 5.3 模態(tài)置信準(zhǔn)則(MAC)概率指標(biāo) |
| 5.4 識別結(jié)果 |
| 5.5 本章小結(jié) |
| 第六章 結(jié)論與展望 |
| 6.1 本文研究的主要結(jié)論 |
| 6.2 后續(xù)工作展望 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間的學(xué)術(shù)活動及成果情況 |
（8）毫米波大規(guī)模共形陣列的波達(dá)方向估計(jì)方法研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 符號對照表 |
| 縮略語對照表 |
| 第一章 緒論 |
| 1.1 研究背景和意義 |
| 1.1.1 共形陣列 |
| 1.1.2 毫米波陣列 |
| 1.1.3 毫米波大規(guī)模共形陣列的DOA估計(jì)問題 |
| 1.2 研究現(xiàn)狀 |
| 1.2.1 共形陣列DOA估計(jì)方法的研究現(xiàn)狀 |
| 1.2.2 大規(guī)模毫米波MIMO系統(tǒng)的研究現(xiàn)狀 |
| 1.3 本文研究內(nèi)容及章節(jié)安排 |
| 第二章 大規(guī)模均勻圓陣的單快拍精確DOA估計(jì) |
| 2.1 引言 |
| 2.2 系統(tǒng)模型和問題描述 |
| 2.3 經(jīng)典相位模式方法的回顧 |
| 2.4 DOA粗估計(jì) |
| 2.5 DOA估計(jì)的精細(xì)化 |
| 2.6 基于序貫干擾相消算法的多DOA估計(jì)方法 |
| 2.7 多快拍精確DOA估計(jì)方法 |
| 2.8 算法性能分析 |
| 2.8.1 運(yùn)算復(fù)雜度分析 |
| 2.8.2 CRLB分析 |
| 2.9 仿真結(jié)果與分析 |
| 2.10 本章小結(jié) |
| 第三章 大規(guī)模均勻圓柱陣列的單快拍二維DOA估計(jì) |
| 3.1 引言 |
| 3.2 系統(tǒng)模型和問題描述 |
| 3.3 大規(guī)模均勻線陣的單快拍精確DOA估計(jì) |
| 3.3.1 DOA粗估計(jì) |
| 3.3.2 DOA估計(jì)的精細(xì)化 |
| 3.4 大規(guī)模均勻圓柱陣列的單快拍二維DOA估計(jì) |
| 3.4.1 俯仰角DOA初步估計(jì) |
| 3.4.2 方位角DOA估計(jì) |
| 3.4.3 俯仰角DOA精確估計(jì) |
| 3.5 極化因素對信號模型和算法性能的影響 |
| 3.6 算法性能分析 |
| 3.6.1 運(yùn)算復(fù)雜度分析 |
| 3.6.2 CRLB分析 |
| 3.7 仿真結(jié)果與分析 |
| 3.8 本章小結(jié) |
| 第四章 大規(guī)模BMT混合共形陣列的快速DOA估計(jì) |
| 4.1 引言 |
| 4.2 系統(tǒng)模型和問題描述 |
| 4.2.1 巴特勒矩陣收發(fā)器 |
| 4.2.2 基于BMT的混合共形陣列信號模型 |
| 4.2.3 BMT混合共形陣列的信號特點(diǎn) |
| 4.3 基于區(qū)間迭代的DOA快速定位方法 |
| 4.3.1 BMT寬波束合成原理 |
| 4.3.2 BMT混合共形陣列的探測空間劃分 |
| 4.3.3 密鋪寬波束法 |
| 4.3.4 重疊寬波束法 |
| 4.4 基于二進(jìn)制編碼的DOA快速定位方法 |
| 4.4.1 等長二進(jìn)制編碼法 |
| 4.4.2 哈夫曼編碼法 |
| 4.4.3 各種DOA快速定位方法的比較 |
| 4.5 本章小結(jié) |
| 第五章 大規(guī)模BMT混合共形陣列的精確DOA估計(jì) |
| 5.1 引言 |
| 5.2 基于差分波束的精確DOA估計(jì)方法 |
| 5.3 基于高階差分波束的精確DOA估計(jì)方法 |
| 5.3.1 高階差分波束 |
| 5.3.2 基于二階差分波束的DOA估計(jì)方法 |
| 5.4 多個BMT的 DOA估計(jì)結(jié)果融合方法 |
| 5.5 各種精確DOA估計(jì)方法的比較 |
| 5.6 仿真結(jié)果與分析 |
| 5.7 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 論文研究工作總結(jié) |
| 6.2 研究工作展望 |
| 6.2.1 均勻圓柱陣列的二維DOA估計(jì)過程中誤差傳遞分析 |
| 6.2.2 錐臺型共形陣列的二維DOA估計(jì)問題 |
| 6.2.3 大規(guī)模BMT混合共形陣列的寬帶DOA估計(jì)問題 |
| 6.2.4 大規(guī)模BMT混合共形陣列的多徑DOA估計(jì)問題 |
| 參考文獻(xiàn) |
| 致謝 |
| 作者簡介 |
（9）城市軌道交通線網(wǎng)客流分布態(tài)勢演變研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第1章 緒論 |
| 1.1 引言 |
| 1.2 國內(nèi)外研究概況 |
| 1.2.1 軌道交通OD客流估計(jì) |
| 1.2.2 軌道交通出行路徑推斷 |
| 1.2.3 軌道交通路徑選擇行為 |
| 1.2.4 現(xiàn)狀研究存在的不足 |
| 1.3 主要研究內(nèi)容 |
| 1.4 研究方法及技術(shù)路線 |
| 第2章 城市軌道交通客流時空分布特性研究 |
| 2.1 數(shù)據(jù)來源及預(yù)處理 |
| 2.1.1 研究區(qū)域 |
| 2.1.2 數(shù)據(jù)描述 |
| 2.1.3 數(shù)據(jù)預(yù)處理 |
| 2.2 城市軌道交通站點(diǎn)客流時空分布特性 |
| 2.2.1 站點(diǎn)客流時間分布特性 |
| 2.2.2 站點(diǎn)客流空間分布特性 |
| 2.3 城市軌道交通OD客流時空分布特性 |
| 2.3.1 站間OD客流時空分布特性 |
| 2.3.2 跨域OD客流時空分布特性 |
| 2.3.3 旅行時間分布特性 |
| 2.4 本章小結(jié) |
| 第3章 基于自適應(yīng)機(jī)制的乘客歷史出行路徑推斷 |
| 3.1 概述 |
| 3.2 OD對可達(dá)路徑集生成 |
| 3.3 城市軌道交通換乘擴(kuò)展網(wǎng)絡(luò)重構(gòu) |
| 3.4 城市軌道交通旅行時間的組成及隨機(jī)特性 |
| 3.4.1 旅行時間的組成 |
| 3.4.2 旅行時間的隨機(jī)特性分析 |
| 3.5 單一路徑旅行時間隨機(jī)分布特征 |
| 3.5.1 單一路徑旅行時間分布擬合 |
| 3.5.2 單一路徑旅行時間分布函數(shù)參數(shù)特征分析 |
| 3.6 基于自適應(yīng)機(jī)制的動態(tài)出行路徑推斷模型框架構(gòu)建 |
| 3.6.1 乘客歷史出行路徑推斷問題基本描述 |
| 3.6.2 基于受約束EM算法的混合分布靜態(tài)參數(shù)估計(jì) |
| 3.6.3 基于自適應(yīng)機(jī)制的混合分布動態(tài)參數(shù)估計(jì) |
| 3.7 模型實(shí)施結(jié)果及討論 |
| 3.7.1 換乘路徑平均旅行時間估計(jì) |
| 3.7.2 混合分量分布參數(shù)的初始值及其上下界確定 |
| 3.7.3 OD對最優(yōu)有效路徑數(shù)量確定 |
| 3.7.4 自適應(yīng)機(jī)制學(xué)習(xí)速率確定 |
| 3.7.5 單一路徑旅行時間動態(tài)性分析 |
| 3.7.6 路徑選擇比例一致性檢驗(yàn) |
| 3.8 本章小結(jié) |
| 第4章 基于粒子濾波算法的大規(guī)模網(wǎng)絡(luò)動態(tài)OD客流估計(jì) |
| 4.1 概述 |
| 4.2 城市軌道交通線網(wǎng)動態(tài)流量關(guān)系 |
| 4.3 粒子濾波算法原理 |
| 4.3.1 粒子濾波的基本框架 |
| 4.3.2 貝葉斯濾波 |
| 4.3.3 重要性重采樣 |
| 4.4 基于粒子濾波算法的動態(tài)OD客流估計(jì)模型 |
| 4.5 實(shí)例分析及模型評價 |
| 4.5.1 建模數(shù)據(jù)準(zhǔn)備 |
| 4.5.2 模型估計(jì)性能檢驗(yàn)指標(biāo) |
| 4.5.3 模型總體性能評價 |
| 4.5.4 模型分時段性能評價 |
| 4.6 本章小結(jié) |
| 第5章 基于精細(xì)路徑信息的乘客路徑選擇行為建模 |
| 5.1 概述 |
| 5.2 城市軌道交通乘客路徑選擇行為機(jī)理分析 |
| 5.3 路徑選擇影響因素分析及表征 |
| 5.3.1 路徑固有屬性 |
| 5.3.2 擁擠關(guān)聯(lián)屬性 |
| 5.4 乘客路徑選擇行為模型構(gòu)建 |
| 5.4.1 離散模型基本原理 |
| 5.4.2 軌道交通路徑效用函數(shù) |
| 5.5 實(shí)例分析及模型檢驗(yàn) |
| 5.5.1 數(shù)據(jù)描述 |
| 5.5.2 解釋變量共線性分析 |
| 5.5.3 模型參數(shù)估計(jì)及檢驗(yàn) |
| 5.5.4 模型參數(shù)敏感性分析 |
| 5.6 本章小結(jié) |
| 第6章 研究結(jié)論和展望 |
| 6.1 主要研究成果與結(jié)論 |
| 6.2 主要創(chuàng)新點(diǎn) |
| 6.3 研究展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 作者簡介、在讀期間發(fā)表論文及參與科研情況 |
（10）數(shù)據(jù)驅(qū)動的手機(jī)傳感器融合與室內(nèi)行人軌跡重建方法研究（論文提綱范文）
| 致謝 |
| 摘要 |
| ABSTRACT |
| 縮略語 |
| 1 引言 |
| 1.1 研究背景及意義 |
| 1.2 研究現(xiàn)狀分析 |
| 1.2.1 國內(nèi)外研究現(xiàn)狀 |
| 1.2.2 發(fā)展趨勢 |
| 1.3 論文主要研究內(nèi)容及創(chuàng)新點(diǎn) |
| 1.4 論文結(jié)構(gòu)安排 |
| 2 智能手機(jī)傳感器數(shù)據(jù)收集系統(tǒng) |
| 2.1 手機(jī)內(nèi)置的傳感器種類 |
| 2.2 數(shù)據(jù)的采集、傳輸與存儲 |
| 2.3 本章小結(jié) |
| 3 WIFI定位技術(shù)與行人航位推算技術(shù) |
| 3.1 基于WIFI接收信號強(qiáng)度的位置估計(jì)技術(shù) |
| 3.2 基于慣性測量單元的行人航位推算技術(shù) |
| 3.3 場地實(shí)驗(yàn)與性能分析 |
| 3.4 本章小結(jié) |
| 4 基于線性高斯?fàn)顟B(tài)空間模型的室內(nèi)軌跡重建 |
| 4.1 線性高斯?fàn)顟B(tài)空間模型 |
| 4.2 卡爾曼濾波器與Rauch-Tung-Striebel平滑器 |
| 4.3 基于期望極大值化算法的模型參數(shù)估計(jì) |
| 4.4 場地實(shí)驗(yàn)與性能分析 |
| 4.5 本章小結(jié) |
| 5 基于數(shù)據(jù)驅(qū)動模型與貝葉斯學(xué)習(xí)的室內(nèi)軌跡重建 |
| 5.1 高斯過程 |
| 5.1.1 高斯過程回歸模型 |
| 5.1.2 常見的核函數(shù) |
| 5.1.3 稀疏高斯過程 |
| 5.2 變分貝葉斯 |
| 5.3 高斯過程狀態(tài)空間模型 |
| 5.4 室內(nèi)軌跡重建場景下的模型學(xué)習(xí)方案 |
| 5.4.1 量測函數(shù)的學(xué)習(xí) |
| 5.4.2 傳遞函數(shù)的學(xué)習(xí) |
| 5.4.3 誘發(fā)輸入的選擇 |
| 5.4.4 粒子平滑器 |
| 5.5 場地實(shí)驗(yàn)與性能分析 |
| 5.6 本章小結(jié) |
| 6 總結(jié)與展望 |
| 參考文獻(xiàn) |
| 附錄 A 文中涉及的數(shù)學(xué)基礎(chǔ) |
| 作者簡歷及攻讀碩士學(xué)位期間取得的研究成果 |
| 學(xué)位論文數(shù)據(jù)集 |
四、一種用于推算感染時間曲線的非參數(shù)極大似然估計(jì)方法（論文參考文獻(xiàn)）
- [1]地圖匹配輔助的Wi-Fi/iBeacon/PDR室內(nèi)融合定位算法研究[D]. 趙佳星. 安徽理工大學(xué), 2021(02)
- [2]經(jīng)濟(jì)發(fā)展對二氧化碳排放影響的再評估 ——基于具有自回歸誤差結(jié)構(gòu)的部分線性模型[D]. 王雨. 江西財(cái)經(jīng)大學(xué), 2021(10)
- [3]貝葉斯機(jī)器學(xué)習(xí)在火災(zāi)正向預(yù)測與源強(qiáng)反算中的應(yīng)用研究[D]. 沈迪. 中國科學(xué)技術(shù)大學(xué), 2021(08)
- [4]基于廣義差異比混合治愈模型對新型冠狀病毒肺炎潛伏期的統(tǒng)計(jì)分析[D]. 張美玲. 大連理工大學(xué), 2021(02)
- [5]生存數(shù)據(jù)下比例風(fēng)險治愈模型的統(tǒng)計(jì)推斷[D]. 韓博. 大連理工大學(xué), 2021
- [6]基于混合治愈模型的股票ST時間的適用性分析[D]. 王曉璇. 大連理工大學(xué), 2021(02)
- [7]工作模態(tài)參數(shù)識別頻域方法對比研究及其工程應(yīng)用[D]. 劉玲玲. 合肥工業(yè)大學(xué), 2021
- [8]毫米波大規(guī)模共形陣列的波達(dá)方向估計(jì)方法研究[D]. 李強(qiáng). 西安電子科技大學(xué), 2020(02)
- [9]城市軌道交通線網(wǎng)客流分布態(tài)勢演變研究[D]. 石莊彬. 東南大學(xué), 2020(02)
- [10]數(shù)據(jù)驅(qū)動的手機(jī)傳感器融合與室內(nèi)行人軌跡重建方法研究[D]. 謝昂. 北京交通大學(xué), 2020(03)
標(biāo)簽：極大似然估計(jì)論文; doa論文; 似然函數(shù)論文; 參數(shù)估計(jì)論文; 預(yù)測模型論文;