检索结果-南通市图书馆

基于变点识别的区域河川径流量特征值变异研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

自然资源学报 2010年第11期25卷 1930-1937页

作者：涂新军陈晓宏中山大学水资源与环境研究中心广州510275 华南地区水循环与水安全广东省普通高校重点实验室广州510275

基于变点原理,运用最大似然比和西沃兹信息标准方法,对广东省4种径流量序列进行均值变点和方差变点的识别,研究存在变点的河川径流量序列、时间位置、空间分布及变点后的特征值变化状况,以揭示广东省河川径流量时空变异特点。结果发现:... 详细信息

基于变点原理,运用最大似然比和西沃兹信息标准方法,对广东省4种径流量序列进行均值变点和方差变点的识别,研究存在变点的河川径流量序列、时间位置、空间分布及变点后的特征值变化状况,以揭示广东省河川径流量时空变异特点。结果发现:广东省河川年径流量和汛期径流量序列的一致性较好,而枯期径流量和最小月径流量序列的特征值变点具有普遍性,年均值明显增加,年际离散程度增大,时间位置主要为1972—1973年和1981年两个时间段。枯期径流量序列均值变点的典型地区主要为东江流域,方差变点的典型地区主要为北江流域、韩江流域、粤西地区和珠江三角洲;最小月径流序列主要为均值变点,典型地区有东江流域、韩江流域;而北江入珠江三角洲的河川径流量变异尤其典型,4种径流序列均存在均值变点和方差变点。

关键词：河川径流量变点识别特征值变异广东省

基于Hausdorff距离的非线性轮廓变点识别方法研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于Hausdorff距离的非线性轮廓变点识别方法研究

作者：李佩天津大学

学位级别：硕士

激烈的市场竞争归根结底是质量的竞争,因此对于生产企业来说质量监控具有重要意义。统计过程控制作为一种重要的质量监控手段,始于二十世纪20年代,现在已经有了比较成熟的方法和工具。就统计过程控制的研究对象而言,其发展经历了从一元... 详细信息

激烈的市场竞争归根结底是质量的竞争,因此对于生产企业来说质量监控具有重要意义。统计过程控制作为一种重要的质量监控手段,始于二十世纪20年代,现在已经有了比较成熟的方法和工具。就统计过程控制的研究对象而言,其发展经历了从一元变量到多元变量再到轮廓的过程。轮廓监控就是对质量特性以轮廓表示的产品质量的监控。轮廓监控的第一阶段的目的是通过历史数据的分析,剔除异常数据建立统计受控状态的模型为第二阶段的监控提供依据。由于轮廓数据的高维性,在轮廓监控中一般是采用回归方法建立状态模型,然后以模型参数为监控对象。在回归过程中,对于线性轮廓可以使用最小二乘法,部分最小二乘法或者是主成分回归的方法求得模型参数,但是对于非线性轮廓,尤其是形状复杂的轮廓,很难直接确定轮廓模型,确定后的模型也可能出现曲线拟合度不好的情况,这都将导致控制过程的可靠性下降。本文通过对Hausdorff距离研究,利用其在计算曲线之间离散程度时可以充分考虑曲线形状的特性,将该距离结合两切法建立变点识别过程,并将此过程应用到非线性轮廓单阶跃变点识别中。通过仿真,将可以反映变点识别误差率和变点位置识别准确性的评价指标的结果与传统的多元T~2控制图的结果进行比较,发现本方法能更准确的识别出变点位置。另外,本文研究方法在计算轮廓之间Hausdorff距离的过程中,不需要使用回归方法求得模型参数,如此可以减少工作量与工作复杂度,一定程度上也可提高非线性轮廓监控的可靠性。

关键词：轮廓监控变点识别 Hausdorff距离两切法多元T~2控制图

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于数据密度的变点识别方法研究

基于数据密度的变点识别方法研究

作者：丁静天津大学

学位级别：硕士

控制图是质量控制的重要工具之一,广泛应用于生产过程的质量监控,能够发现过程运行中出现的系统性漂移,及时报警并采取措施,保证产品质量。控制图的建立可以分为两个阶段:（1）回溯分析阶段（Phase I,离线阶段）,通过对合格生产过程的... 详细信息

控制图是质量控制的重要工具之一,广泛应用于生产过程的质量监控,能够发现过程运行中出现的系统性漂移,及时报警并采取措施,保证产品质量。控制图的建立可以分为两个阶段:（1）回溯分析阶段（Phase I,离线阶段）,通过对合格生产过程的历史数据的分析,提取典型的基础数据,并建立基础统计模型;（2）监测阶段（Phase II,在线阶段）,将新的观测数据与基础统计模型进行比较,如果新的观测值与模型不足够接近,则判断过程出现异常,需对该过程进行调整。在回溯分析阶段,一般假设基础数据服从同一分布,但实际上基础数据有可能服从多个分布。因此,对历史数据中隐含的不同分布进行识别是很有必要的。并在此基础上对历史数据进行过滤,提取不同分布下的基础数据并建立控制图,才能更好的保证在线监测阶段对过程异常的有效监控。变点识别问题是回溯分析问题中的研究重点。多数研究均以过程服从某已知参数分布为基本假设,其方法对特定分布的依赖性很高。鉴于此,本论文提出基于数据密度的变点识别研究,其基本原理是:首先利用聚类分析原理将基础数据进行聚类,以滑动窗口宽度为单位分别统计每类数据的数据密度,通过对数据密度的比较,从而确定变点位置。该方法所依据的理论主要有聚类分析原理（Clustering Theory）、滑动窗口理论（Moving Windows）及数据密度估计（Data Density Estimation）。通过Matlab软件,本论文将所提出的方法与传统的LRT方法和MMA方法进行了性能效果的对比,仿真性能研究分析的结果表明所提出的方法具有不错的综合性能。最后本论文将所提出的变点识别方法进行总结,并对其未来可能的研究方向进行了展望。

关键词：变点识别数据密度聚类分析滑动窗口理论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多种时间序列模型的变点识别分析及其应用

多种时间序列模型的变点识别分析及其应用

作者：马妍东南大学

学位级别：硕士

变点理论是统计学的一个经典分支,变点识别即利用统计量或统计方法将该变点位置估计出来。本文首先介绍了贝叶斯理论以及多种时间序列模型的识别理论,之后基于贝叶斯理论阐述了同方差和异方差时间序列模型的变点识别算法的编程实现。利... 详细信息

变点理论是统计学的一个经典分支,变点识别即利用统计量或统计方法将该变点位置估计出来。本文首先介绍了贝叶斯理论以及多种时间序列模型的识别理论,之后基于贝叶斯理论阐述了同方差和异方差时间序列模型的变点识别算法的编程实现。利用统计软件Matlab,模拟多种时间序列模型来验证算法的有效性。选取部分宏观数据如农村居民消费价格指数、城镇固定资产投资以及部分金融数据如华数传媒、万科A的收盘价分别进行了时间序列模型的拟合。目前模型的拟合方法的研究理论已经比较成熟,首先使用ACF,PACF等指标初步判断,利用统计软件R识别AIC最小的模型,再通过绘制残差图、使用LB检验以及QQ图进行残差检验,最后用***检验以及拉格朗日乘子检验来检验ARCH效应以找到合适的时间序列模型进行数据拟合。拟合模型后应用算法进行变点的识别。本文最后分析被算法识别出的变点并找到对应的变点产生的时间点。查阅相关时间内国家宏观政策等的变化资料,寻找并分析变点产生的原因。为以后时间序列数据的变点产生提供了一定的指导性意见,同时,为预测经济走向,防范金融风险等做出参考,而这也是变点问题研究的意义。

关键词：时间序列模型拟合变点识别贝叶斯理论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于层次聚类分析的变点识别方法

基于层次聚类分析的变点识别方法

作者：胡文静天津大学

学位级别：硕士

工业生产过程中，历史数据常被用来评价过程的表现，但经过一段时间后，过程往往受到各种因素的影响而转变，由此导致最终生产出来的产品性能的不同，原材料、生产设备等都可能是过程发生改变的原因，识别过程改变的准确时间，然后由此... 详细信息

工业生产过程中，历史数据常被用来评价过程的表现，但经过一段时间后，过程往往受到各种因素的影响而转变，由此导致最终生产出来的产品性能的不同，原材料、生产设备等都可能是过程发生改变的原因，识别过程改变的准确时间，然后由此找到原因，可以很大程度上改善生产过程，本文的目的就是识别历史数据中的变点-过程发生改变的时间所对应的数据点。工业过程历史数据的一个重要特征就是这些数据的时间顺序性，工业过程倾向于在一段时间内表现稳定，然后发生变化，转变到另一个稳定的状态，这类数据我们称为时间顺序数据，准确识别出时间顺序数据中的变点，有利于我们找到和分析过程发生偏移的原因，以此对过程进行改进。本文提出了层次聚类算法和假设检验相结合的方法，对一元时间顺序数据进行聚类，每一个类的最后一个数据点即为变点，识别变点，并与已有的方法进行性能分析的比较，从而验证了该方法在识别变点方面更加有效和准确。本文所提出的方法分为两个部分，在一部分，使用的方法是划分层次聚类与Z检验相结合，将时间顺序数据划分为若干个部分，识别数据中的变点。在第二个部分，使用的方法是凝聚层次聚类与两样本t检验相结合，对已划分的部分进行凝聚，去除在第一个部分识别出的异常点。同时,针对一元时间顺序数据的不同情况，并通过计算相关的性能指标，对该方法进行了更加深入的研究，并对使用不同的假设检验方法的情况下所提出方法在变点识别方面的有效性进行分析。

关键词：变点识别划分层次聚类凝聚层级聚类两样本t检验

具有二项输出数据的多阶段过程变点识别方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

具有二项输出数据的多阶段过程变点识别方法研究

作者：赵若涵天津大学

学位级别：硕士

随着科技的不断发展和产业的优化升级,无论是制造行业还是服务行业,产品及服务质量的重要性都在不断提升。统计过程控制技术作为质量管理与控制的重要工具之一,核心在于保证和提升产品的质量以确保监控过程的稳定。早期传统的统计过程... 详细信息

随着科技的不断发展和产业的优化升级,无论是制造行业还是服务行业,产品及服务质量的重要性都在不断提升。统计过程控制技术作为质量管理与控制的重要工具之一,核心在于保证和提升产品的质量以确保监控过程的稳定。早期传统的统计过程控制技术主要基于数理方法实施质量控制。这些统计过程控制技术控制对象主要是单一响应变量。随着制造及服务过程复杂性的不断提升,生产和服务一般需要经过多个阶段。上一阶段的输出质量往往是下一阶段的输入质量。因此,当前阶段的质量水平不仅受到本阶段因素的影响,同时还会受到上一阶段输出质量的影响。目前关于多阶段过程质量监控的研究大多基于变量服从正态分布的假设。然而在很多生产及服务过程中,由于时间或成本等因素的影响,响应变量往往无法用计量数据描述,只能通过二项数据表示。本文针对多阶段过程中当质量特性为二项数据的情况,重点展开第一阶段（Phase Ⅰ）变点识别方法研究。运用广义线性模型对多阶段过程进行建模,构建影响因素在二项数据多阶段过程中的传递机制,并在多阶段过程模型的基础上,提出基于似然比检验的Phase Ⅰ控制图,对二项多阶段过程中的样本变点位置进行识别。将方向向量引入似然比控制图对控制图进行拓展,不仅能够识别样本变点位置,同时能够进一步确定变化阶段的位置。最后通过仿真模拟对变点识别方法的检测性能进行对比分析。结果表明,当二项多阶段过程参数发生不同程度的偏移时,本文提出的变点识别方法在变点识别概率和准确度方面的检测性能均优于T控制图。最后,将提出的变点识别方法应用于商业视频广播（CVB）的服务系统的实例数据,进一步验证得出了方法在二项多阶段过程的实际应用中的检测性能。

关键词：统计过程控制变点识别似然比多阶段过程方向向量

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

线性轮廓局部变化变点识别方法研究

线性轮廓局部变化变点识别方法研究

作者：张军军天津大学

学位级别：硕士

在工业生产过程中，质量特性不仅仅表现为一个变量或多个独立变量，某些情形下则通过变量之间的某种函数关系来表示，如线性，非线性函数关系等等。对于线性轮廓的监控问题，现有研究基于假设线性轮廓模型发生整体性的变化，即整个线性... 详细信息

在工业生产过程中，质量特性不仅仅表现为一个变量或多个独立变量，某些情形下则通过变量之间的某种函数关系来表示，如线性，非线性函数关系等等。对于线性轮廓的监控问题，现有研究基于假设线性轮廓模型发生整体性的变化，即整个线性模型中的截距、斜率等参数发生变化。通常，对于此类变点识别问题，通过估计每个轮廓模型中的截距、斜率等参数，将线性轮廓数据的监控问题转化为线性模型中的多元监控问题。加工精度的提高使得产品轮廓发生整体性变化的可能性越来越小，更多的变化体现在局部上。因此对轮廓局部变化的识别提出需求。对于轮廓发生局部变化的情形，由于突变点的存在会影响整体模型参数的估计，这种监控估计参数方法的准确性也会降低。在统计过程控制的Phase I分析过程中，不仅需要监测到变化的发生，而且需要准确地检测过程中变点发生的位置以及数量，即研究变点识别问题。对于上面提出的线性模型，同样不仅要监控模型的参数变化，还需检测出其参数变化的位置，即检测变化发生在第几个轮廓处以及有几次变化。针对轮廓发生局部变化的情形，本文提出一种基于T2统计量的线性轮廓数据变点识别方法。通过聚类法对轮廓进行合理分段，将各段轮廓特征值视为多元变量，结合T2统计量设计变点识别方法。并通过仿真的方法详细分析了局部变化比例的大小、变化发生的位置以及对轮廓的分割段数对方法性能的影响。验证结果表明，本文提出的方法是一种有效识别线性轮廓局部变点的分析工具。

关键词：线性轮廓变点识别 T2统计量似然比检验轮廓分割

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

非线性高维轮廓局部变点识别方法研究

非线性高维轮廓局部变点识别方法研究

作者：孙会东天津大学

学位级别：硕士

在现代工业生产中,质量是企业竞争的基础,没有足够的质量保证,企业所有的发展、品牌和竞争等目标都无法实现。统计过程控制是现代企业进行质量控制的主要手段。然而随着科技的发展,产品的质量特性从单一因素向多因素发展,各因素与质量... 详细信息

在现代工业生产中,质量是企业竞争的基础,没有足够的质量保证,企业所有的发展、品牌和竞争等目标都无法实现。统计过程控制是现代企业进行质量控制的主要手段。然而随着科技的发展,产品的质量特性从单一因素向多因素发展,各因素与质量响应之间往往是某种形式的函数关系,如线性和非线性函数,基于这种函数的监控成为轮廓监控。线性轮廓监控问题已经被众多学者广泛讨论。然而,回归难度的增加使得对于非线性轮廓的研究相对较少,尤其是复杂的非线性高维轮廓。因此,如何进行复杂非线性轮廓识别,众学者提出了不同的方式,其中通过降维方法提取轮廓关键信息的方法引起了我们的重视,该方法在识别高维的非线性轮廓方面将会有很大的性能优势。针对高维轮廓监控问题,学者们提出了许多线性和非线性降维方法,如线性降维方法PCA被广泛应用到各领域中,同时非线性技术LLE由于具有良好的局部特性而成为降维方法论中的一个亮点。通过降维,复杂的非线性高维轮廓可以降到较低的维度,这将大大减少处理数据的难度。针对高维复杂非线性轮廓局部发生变异的情况,本文提出一种基于LLE降维的轮廓变点识别方法。通过降维提取轮廓的关键信息,并用Sullivan（2002）提出的变点识别方法CPD检测出变点,最终通过聚类分析Rand指标评估变点识别的性能。通过仿真和实例分析,表明本文提出的是一种非常有效的高维非线性复杂轮廓局部变点识别工具。

关键词：非线性轮廓高维变点识别局部线性降维 Rand指标

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于数据深度的变点识别方法研究

基于数据深度的变点识别方法研究

作者：廖丹天津大学

学位级别：硕士

在工业生产中,统计过程控制（Statistical Process Control, SPC）在质量管理中的重要性已得到了广泛认可,统计过程控制到目前为止是一种重要的监测过程运行状态是否出现异常的方法。我们可以将SPC的实施过程按两个阶段来分:第I阶段,通... 详细信息

在工业生产中,统计过程控制（Statistical Process Control, SPC）在质量管理中的重要性已得到了广泛认可,统计过程控制到目前为止是一种重要的监测过程运行状态是否出现异常的方法。我们可以将SPC的实施过程按两个阶段来分:第I阶段,通过对历史数据的分析,提取过程处于受控状态的观测数据,描述稳定运行状态下质量特征值的概率分布特征;第II阶段,根据概率分布参数的估计值,建立控制图并对过程进行实时监控,当控制图中的数据表现出异常的运行模式时发出警报,分析导致异常出现的根本原因,最后采取适当的措施来改进,将过程调整到稳定的运行状态。在统计过程控制的第I阶段,准确识别运行状态发生漂移的时间点是决定控制效果的关键。现有的变点识别方法大多数针对单一正态分布的数据,而我们得到的产品历史数据会因其产品特性而具有不同的分布类型,鉴于此,本文提出一种以多维空间的数据离心程度作为判定变点规则的思路,通过概率密度轮廓将单一观测值序列转化为多维空间中的数据点,运用数据深度（Data Depth）技术构造特征变量,并建立变点定位规则,识别出较长时间段的符合质量要求的样本数据。通过几组仿真数据,我们将新方法和传统的LRT方法和AHC方法作了对比,仿真性能分析的结果表明新方法能够在不需要假设过程服从正态分布的前提下对变点位置进行精确定位。在最后的比较研中也证明新方法的综合性能表现良好。本文最后将这种变点识别方法的优点、局限性做了总结,得出一些有用的结论,并对SPC的未来发展做出展望。

关键词：统计过程控制数据深度变点识别概率密度轮廓