导读:本文包含了非高斯统计论文开题报告文献综述及选题提纲参考文献，主要关键词:非高斯,线性结构,高阶统计量,振型迭加法
非高斯统计论文文献综述
范文亮[1]（2019）在《平稳非高斯激励下线性结构响应统计量的高阶虚拟激励法》一文中研究指出相比于经典随机振动理论的日益成熟,尤其是虚拟激励法的提出所引起的效率提升,非高斯激励下的结构随机振动分析仍具有相当大的挑战性。为此,文章针对平稳非高斯激励下线性结构响应的高阶统计量展开研究,力图发展切实可行的高效分析方法。首先,基于振型迭加法,推导多自由度线性结构响应的高阶矩的解析表达式,并经由Fourier变换获得高阶矩谱的解答,即完全高次组合方法。其次,借鉴常规虚拟激励法的思路,提出适用于高阶矩谱分析的高阶虚拟激励法,而传统的虚拟激励法则是建议方法的一个特例。对比分析可以发现:高阶虚拟激励法不仅具有计算方案选择上的多样性,在计算效率方面更具有显着的优势。(本文来源于《土木工程学报》期刊2019年10期）
高宁[2]（2019）在《非高斯统计模型的变分学习算法及其应用研究》一文中研究指出目前,对于海量数据信息处理的方法多种多样,其中概率混合模型是一种常用的数据建模与分析的方法。高斯混合模型(Gaussian Mixture Model,GMM)由于具有计算方便等诸多优点得到广泛应用。但是对于有界或半有界数据的统计建模,如文本、图像等数据,GMM不能达到很好的拟合效果,对此,非高斯概率统计模型展现出更优越的性能。本文致力于研究非高斯统计模型的变分学习算法,所提出的扩展变分学习框架可以在图像处理,入侵检测等应用中解决模型问题。首先,本文简要阐述了概率混合模型的研究背景及意义,并介绍了非高斯统计模型建模现状。给出概率混合模型定义,列举几种常用的概率密度函数形式。介绍两种解决概率混合模型参数估计问题的常用算法,极大似然方法和变分贝叶斯,并进行简要介绍及推导。接着,本文对贝塔混合模型(Beta Mixture Model,BMM)的变分推理算法进行了研究。BMM是常用于对有界数据进行建模分析的非高斯统计模型,但是在解决模型参数及模型选择问题时,由于其中的Gamma函数及其导数积分表达式过于复杂,使得参数估计困难。本文提出一种高效变分学习算法,能够解决大多数统计模型中所存在的上述问题。该算法选择形式简单的分布代替复杂分布,提出BMM下界定理,应用扩展变分推理算法将单下界引入变分目标函数中,最大化模型证据下界求解出参数估计值。此外,在迭代过程中只优化唯一的目标函数,在理论上保证了算法的收敛性。本文给出详细的算法推导过程,并通过在人工数据集验证了算法的可行性,以及给出对比实验进一步验证本文算法的高效性。最后,本文选择叁组学术上公认的目标图像集,Caltech4、ETH-80以及MIT Scene进行算法的应用研究,使用RHOG特征描述子得到图像的特征矢量集。利用本文所提出的贝塔混合模型的高效变分学习算法进行目标分类,通过实验结果图可知该算法可以很好的应用于目标分类应用中。(本文来源于《北方工业大学》期刊2019-05-06）
刘志东,刘雯宇[3]（2015）在《Lévy过程驱动的非高斯OU随机波动模型及其贝叶斯参数统计推断方法研究》一文中研究指出本文采用CGMY和GIG过程对非高斯OU随机波动率模型进行扩展,建立连续迭加Lévy过程驱动的非高斯OU随机波动率模型,并给出模型的散粒噪声(Shot-Noise)表现方式与近似。在此基础上,为了反映的波动率相关性,本文把回顾抽样(Retrospective Sampling)方法扩展到连续迭加的Lévy过程驱动的非高斯OU随机波动模型中,设计了Lévy过程驱动的非高斯OU随机波动模型的贝叶斯参数统计推断方法。最后,采用金融市场实际数据对不同模型和参数估计方法进行验证和比较研究。本文理论和实证研究均表明采用CGMY和GIG过程对非高斯OU随机波动率模型进行扩展之后,模型的绩效得到明显提高,更能反映金融资产收益率波动率变化特征,本文设计的Lévy过程驱动的非高斯OU随机波动模型的贝叶斯参数统计推断方法效率也较高,克服了已有研究的不足。同时,实证研究发现上证指数收益率和波动率跳跃的特征以及波动率序列具有明显的长记忆特性。(本文来源于《中国管理科学》期刊2015年08期）
潘小涛,黄铭枫,楼文娟[4]（2014）在《复杂体型屋盖表面风压的高阶统计量与非高斯峰值因子》一文中研究指出该文研究了某站台结构刚性屋盖风洞实验中风压统计量对于数据时长的敏感性。采用不同时长的数据计算长时距脉动风压数据的偏度和峰度,结果表明高阶统计量具有非平稳特性,峰度的值受数据时长的变化影响显着。根据随机数据的峰度是否大于3,可以将其划分为软响应过程和硬响应过程。通过分析此建筑屋盖表面风压数据,发现屋盖表面存在峰度小于3的硬响应测点。而现有的峰值因子计算方法都没有具体探讨其对于这种峰度小于3的硬响应测点的适用性,该文将不同计算方法得到的软响应和硬响应峰值因子结果与标准统计方法计算值进行对比,进而判断各种方法的优劣性。结果表明非高斯峰值因子计算当中不宜引入峰度这个参数,TPP方法对于计算硬响应过程和软响应过程的非高斯峰值因子都有很好的适用性。(本文来源于《工程力学》期刊2014年10期）
铁广朋,郭新毅[5]（2014）在《两种非高斯海洋环境噪声统计模型分析》一文中研究指出海洋环境噪声是影响声呐工作的主要因素之一,噪声模型的选取十分重要,普遍采用的高斯噪声模型在很多情况下存在局限性。引出两种非高斯噪声模型匹配实际非平稳的海洋环境噪声:广义自回归条件异方差模型(Generalized Autoregressive Conditional Heteroscedasticity,GARCH)和双模模型,通过分析两种噪声的概率密度分布函数,并与高斯模型噪声和实测海洋环境噪声比较得出两种噪声模型的适用性。GARCH(1,1)模型通过调节参数可以吻合大部分浅海和深海海洋环境噪声,双模模型则只对浅海某些情况存在适用性,而对深海吻合性较差。两种噪声模型的统计特性分析表明它们可以适用于高斯噪声模型存在局限的非平稳环境下。(本文来源于《声学技术》期刊2014年03期）
樊继聪[6]（2013）在《基于多元统计分析的非高斯过程的故障诊断》一文中研究指出本文研究数据驱动的工业过程监控和故障诊断技术，主要针对多元统计方法和非高斯问题的若干缺点和该领域的一些难题，提出了相应的解决方案，以TE过程为主要实验对象，验证了所提方法的有效性和优越性。传统的非线性方法如KPCA和KICA都是静态的，没有考虑过程的动态特性，而且没有变量贡献分析方法用于故障诊断。所以，本文提出了核动态独立成分分析（KDICA），该方法将自回归模型、核变换同独立成分分析结合起来，实现对非线性非高斯动态过程的监控。接着提出了基于分步思想的变量贡献分析方法用于故障诊断。这里，自回归模型阶次，即过程动态阶次，是利用高阶累积量辨识确定的，能够有效抑制高斯噪声的影响。很多实际过程同时包含高斯特性和非高斯特性，伴随着非线性和动态性，并且传统的非线性方法对于微小故障的检测和诊断效果很不理想。为此，本文提出了动态核独立成分分析-主成分分析（DKICA-PCA），该方法利用自回归模型来获取过程动态特性，通过两步法分别提取过程的非高斯特征和高斯特征。值得注意的是，此处动态阶次不是利用前面提到的高阶累积量辨识的方法确定的，因为高阶累积量方法只适用于非高斯过程。在这里提出了一种通过计算核矩阵特征值的自动确定过程动态阶次的方法，该方法对线性和非线性自回归模型都是有效的。为了进一步提高检测的稳定性和检测/诊断微小故障的能力，在DKICA-PCA的基础上，又利用指数加权滑动平均(EWMA)滤波提出了动态滤波核独立成分分析-主成分分析(DFKICA-PCA)，最后提出了基于指标偏导数的非线性变量贡献分析用于故障诊断。特征选取和维度缩减，尤其是在非线性过程和高斯特性与非高斯特性并存的过程中，是过程监控和故障诊断的一大难题，这是因为ICA算法得到的独立成分都具有单位方差，不能像PCA算法得到的主成分那样按方差大小排序，而且，即使通过其它方法如非高斯性大小对独立成分排序，独立成分和主成分也不具有可比性。为此，本文提出了一种计算独立成分方差的方法（VIC），该方差和主成分的方差有相同的物理意义。而且，本文还提出了一种平均值和相对变化值联合准则（AE&RVE）来更好地确定特征的选择限。使用VIC和AE&RVE，可以得到新的KICA方法，能够实现非高斯特征与高斯特征的可比较性选择以及全新的KICA-PCA。值得注意的是，该特征选择和维度缩减方法同样适用于线性过程。所有传统PCA相关的方法都只利用了低阶统计信息且只对过程低阶统计信息进行监测，所有传统ICA相关的方法虽然利用了高阶统计信息提取了独立成分，但也只是对过程的低阶统计信息进行监控。高阶统计信息往往对故障更加敏感，而且能够更好地区分故障类型。为了实现对过程高阶统计信息的有效利用和实时监控，本文提出了基于高阶累积量分析(HCA)的方法，该方法以利用ICA提取过程非高斯特性，进一步计算非高斯特性和模型冗余的采样高阶累积量的值，实现对高阶统计信息的监控。最后，本文又为HCA提出了相对变量贡献分析用于诊断故障。(本文来源于《北京化工大学》期刊2013-05-28）
冯讯,王首勇,万洋,朱晓波[7]（2012）在《非高斯相关杂波背景下雷达目标统计检测方法》一文中研究指出在非高斯相关杂波背景、参数随机或未知的情况下,通常难以甚至无法建立统计检测模型。针对此问题,基于粒子滤波方法,根据未知参数的概率分布函数抽取粒子,将复杂积分运算转化为求和运算求取似然函数,给出了一种雷达目标似然比检测的通用模型,较好地解决了非高斯相关杂波条件下无法得到检测统计量的问题。此外,以复SG-Alpha稳定分布作为非高斯相关杂波分布模型,给出了基于粒子滤波的检测统计模型,并对本文方法与传统的检测方法在高斯相关杂波和非高斯相关杂波背景下的检测性能进行了仿真比较,验证了算法的有效性。(本文来源于《电波科学学报》期刊2012年05期）
孙万麟,山拜·达拉拜,黄玉划[8]（2010）在《一类非高斯噪声的统计特性及其去噪研究》一文中研究指出首先利用多尺度小波包变换良好的时频局部分析能力,对一类非高斯噪声——双模噪声的统计特性进行研究;其次,详细研究了利用小波包变换和随机共振来消除信号中夹杂的双模噪声。理论分析和仿真表明:此方法具有计算量小、算法比较简单和实时性较强的特点,不仅实现了将非高斯噪声——双模噪声转化为简单的高斯噪声来处理,而且比传统的高阶统计量的处理方法要优越。(本文来源于《河南科技大学学报(自然科学版)》期刊2010年05期）
杨德美[9]（2010）在《基于非高斯统计特性的纺织品缺陷检测》一文中研究指出缺陷检测是纺织品工业生产的关键环节。人工方式的纺织品缺陷检测,其检测效果严重依赖于检测者的主观经验、注意力和判断力。在现代纺织品工业生产中,纺织品缺陷自动检测正在逐步取代人工检测。目前的检测方法主要是利用纺织品图像的二阶统计特性对缺陷进行检测。这种方法并未考虑到纺织品图像在图像空间及变换域中的非高斯统计特性,检测率较低。为解决这一问题,本文从纺织品图像的非高斯统计特性出发,研究提出了一种新的有效的纹理缺陷检测方法,并应用于具体的纺织品缺陷检测中,从而完善了纺织品自动检测技术,为纺织品提供快速、准确的缺陷检测效果。本文的主要研究内容如下:1.针对纺织品图像在图像空间及其变换域的非高斯统计特性,结合独立分量分析(Independent Component Analysis, ICA)算法及小波变换(Wavelet Transform, WT),提出了基于非高斯统计特性的纺织品缺陷检测方法,并将其应用于实际的纺织品图像样本检测中。2.研究分析了各种高阶矩对非高斯特性的描述能力,结合L—矩的鲁棒性,提出了一种新的基于L-矩的纺织品图像描述方法。克服了常规矩对外界干扰敏感的弊端。3.针对纺织品图像样本表面附着灰尘、细小绒线及其在采集过程中,受到光线不均匀、成像噪声等外界干扰,造成图像纹理结构模糊不清,本文采用纹理增强算法对图像进行预处理,增强图像缺陷区域与背景区域之间的纹理差异,提高了缺陷检测率,进一步完善了基于非高斯统计特性的纺织品缺陷检测方法。实验结果表明:基于非高斯统计特性的缺陷检测方法检测正确率平均达到95%以上,明显优于传统的缺陷检测方法。(本文来源于《合肥工业大学》期刊2010-04-01）
吴枫,仲妍,贾焰,吴泉源[10]（2009）在《基于IP监控和非高斯统计的网络异常流量检测》一文中研究指出为保障网络和信息系统安全,需要对网络实施有效的监控,确保能及时检测出网络异常(蠕虫爆发、DDoS攻击等)等流量,进而为后续的动态量化风险评估、主动防御提供有力支持。为此,本文提出了一种基于IP监控和非高斯统计的网络异常流量检测方法(IPM-NGSD)。该方法包括两个关键部分:常用IP地址库FIPD和非高斯统计建模。前者,通过利用Bloomfilter技术和FIPD,将网络流量快速分流为常见和非常见IP网络流量:S0和S1;后者,在不同聚合层次上,提取S0和S1的非高斯边缘分布的轮廓值Porfile0和Porfile1,并通过计算Porfile0和Porfile1之间的统计距离,来检测是否存在异常。通过理论分析和两组统计实验验证了该方法的有效性:在缺少有关目标流量先验知识的前提下,该方法能快速、准确地发现短期突发攻击流量和长期低密度攻击流量。(本文来源于《计算机工程与科学》期刊2009年07期）
非高斯统计论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目前,对于海量数据信息处理的方法多种多样,其中概率混合模型是一种常用的数据建模与分析的方法。高斯混合模型(Gaussian Mixture Model,GMM)由于具有计算方便等诸多优点得到广泛应用。但是对于有界或半有界数据的统计建模,如文本、图像等数据,GMM不能达到很好的拟合效果,对此,非高斯概率统计模型展现出更优越的性能。本文致力于研究非高斯统计模型的变分学习算法,所提出的扩展变分学习框架可以在图像处理,入侵检测等应用中解决模型问题。首先,本文简要阐述了概率混合模型的研究背景及意义,并介绍了非高斯统计模型建模现状。给出概率混合模型定义,列举几种常用的概率密度函数形式。介绍两种解决概率混合模型参数估计问题的常用算法,极大似然方法和变分贝叶斯,并进行简要介绍及推导。接着,本文对贝塔混合模型(Beta Mixture Model,BMM)的变分推理算法进行了研究。BMM是常用于对有界数据进行建模分析的非高斯统计模型,但是在解决模型参数及模型选择问题时,由于其中的Gamma函数及其导数积分表达式过于复杂,使得参数估计困难。本文提出一种高效变分学习算法,能够解决大多数统计模型中所存在的上述问题。该算法选择形式简单的分布代替复杂分布,提出BMM下界定理,应用扩展变分推理算法将单下界引入变分目标函数中,最大化模型证据下界求解出参数估计值。此外,在迭代过程中只优化唯一的目标函数,在理论上保证了算法的收敛性。本文给出详细的算法推导过程,并通过在人工数据集验证了算法的可行性,以及给出对比实验进一步验证本文算法的高效性。最后,本文选择叁组学术上公认的目标图像集,Caltech4、ETH-80以及MIT Scene进行算法的应用研究,使用RHOG特征描述子得到图像的特征矢量集。利用本文所提出的贝塔混合模型的高效变分学习算法进行目标分类,通过实验结果图可知该算法可以很好的应用于目标分类应用中。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
非高斯统计论文参考文献
[1].范文亮.平稳非高斯激励下线性结构响应统计量的高阶虚拟激励法[J].土木工程学报.2019
[2].高宁.非高斯统计模型的变分学习算法及其应用研究[D].北方工业大学.2019
[3].刘志东,刘雯宇.Lévy过程驱动的非高斯OU随机波动模型及其贝叶斯参数统计推断方法研究[J].中国管理科学.2015
[4].潘小涛,黄铭枫,楼文娟.复杂体型屋盖表面风压的高阶统计量与非高斯峰值因子[J].工程力学.2014
[5].铁广朋,郭新毅.两种非高斯海洋环境噪声统计模型分析[J].声学技术.2014
[6].樊继聪.基于多元统计分析的非高斯过程的故障诊断[D].北京化工大学.2013
[7].冯讯,王首勇,万洋,朱晓波.非高斯相关杂波背景下雷达目标统计检测方法[J].电波科学学报.2012
[8].孙万麟,山拜·达拉拜,黄玉划.一类非高斯噪声的统计特性及其去噪研究[J].河南科技大学学报(自然科学版).2010
[9].杨德美.基于非高斯统计特性的纺织品缺陷检测[D].合肥工业大学.2010
[10].吴枫,仲妍,贾焰,吴泉源.基于IP监控和非高斯统计的网络异常流量检测[J].计算机工程与科学.2009