基于分布图信息融合的Bayes可靠性评定方法

在利用Bayes理论进行小子样可靠性评定过程中,为了尽可能少做现场试验,必须充分利用各种先验信息,多源先验信息的融合是小子样理论方法应用中亟待解决的一个问题.基于分布图方法,提出了分布图多源信息融合技术,建立了基于分布图信息融合的Bayes可靠性评定模型.仿真实例验证了方法的合理性和有效性.     

基于复合等效可信度加权的Bayes融合评估方法

在小子样试验评估时,为避免大量先验信息湮没实际飞行试验的信息,融合先验补充样本时通常会进行数学相容性检验并加权.首先分析了小子样情形下直接根据数据计算数学相容性可能造成的不稳定性,为改善这种情况,根据不同试验类型的不同试验环境,对不同试验类型下的误差进行分析和折合,定义了物理等效可信度;并结合物理等效可信度和数学相容性检验,得到先验样本的复合等效可信度权重,基于正态逆伽玛分布计算了Bayes融合评估的后验结果;通过比较Bayes估计后验方差与不磁合先验信息的估计后验方差,根据先验信息参与融合后是否能减小后验方差来判断先验样本是否应该参与融合.理论分析和仿真说明,基于复合等效可信度的加权方法是合理的.     

多元先验信息的融合问题

在多元先验信息条件下,运用Bayes理论讨论问题时,必然会遇到先验信息融合问题.文中提出了几种简化形式,并针对产品失效率的多个先验信息情形,结合实例与熵度量的拟合优度说明了该方法的合理性.     

基于Fiducial推断的Bayes验前分布的表示

先验分布的确定与表示是Bayes统计推断的出发点和关键点。提出了一种基于信仰推断 (FiducialInfer ence)观点确定Bayes先验分布的设想 ,有助于解决无验前信息或验前历史信息较少时先验分布的确定问题 ,文中给出了一个实例说明了该方法的应用     

基于隐Markov树的序贯故障诊断模型

为了充分利用先验信息和实测信号,提高故障识别率,根据Bayes方法和序贯决策的思想,将实测信号分段,将前一段信号的诊断后验信息作为后一段信号的先验信息,提出了一种基于隐Markov树(hidden Markov tree,HMT)的序贯故障诊断模型.给出了诊断模型的建模步骤、HMT模型的建立方法和Bayes后验概率的计算方法.将模型应用于某型减速器故障诊断的结果表明,对于有先验信息和无先验情况,该序贯模型都可以有效地提高故障识别率.     

基于多源先验数据的装备测试性评估方法

针对基于装备多源先验数据融合过程中可能存在数据冲突的问题,提出一种基于多源先验数据的装备测试性评估方法.针对装备设计、生产和制造过程中可能存在的测试性虚拟-实物试验数据、测试性预计信息和专家经验信息等先验数据,将其折合成先验分布参数形式.通过基于兰氏距离和邓熵改进的D-S证据理论来进行数据融合,得到最终测试性评估结果.通过实例分析发现,提出的方法较基于传统Bayes理论和经典D-S证据理论的测试性评估方法而言,其精度更高.     

基于叠合度的维修性多源数据融合方法

针对装备维修性试验数据样本量不足的问题,采用了数据融合方法进行扩充数据样本量,通过建立折合模型对多源先验数据进行转换,解决了与现场数据差异较大难以实现数据融合的问题,采用了改进的Bayes Bootstrap法对多源数据的分布参数进行拟合,建立基于叠合度的数据融合模型,对装备维修性多源先验数据进行融合,结合某型坦克试验数据进行算例分析,证明了该方法的可行性。     

初始先验分布未知条件下的DLMR及其Bayes预测

讨论了具有无信息初始先验分布的矩阵变量动态线性模型 (简记为DLMR)及其Bayes预测 ,利用MDIP方法 ,就尺度方差阵∑已知和未知两种情况 ,分别给出模拟初始状态参数(θ1 |D0 )和 (θ1 ,∑ |D0 )的无信息先验分布 ,进而给出其Bayes预测。     

基于Bayes混合先验分布的兵棋推演规则建模方法

针对兵棋推演胜负裁决规则建立难的问题,军事专家利用经验数据总结战争胜负规律,数学家、工程师利用军事运筹分析方法计算战争胜负规律,为了综合利用两种方法,利用Bayes混合先验分布将历史战争规律总结法与军事运筹分析法合理有效融合,对胜负裁决规则进行建模研究;通过在贝塔分布中引入继承因子,将兰彻斯特方程生成的军事运筹分析数据作为先验信息,与历史战争的经验规律数据作为后验信息进行结合。引入的混合贝塔先验分布方法,有效避免了两种方法互相淹没信息的问题;建立的胜负概率裁决模型,有效地提高了兵棋推演中胜负裁决概率的准确度及可信度,使其更加符合战争规律。     

双边定数截尾试验下广义指数分布的可靠性分析

基于双边定数截尾试验,在无信息先验和共轭先验下,给出了广义指数分布参数的Bayes估计。同时在熵损失和加权平方损失函数下,给出可靠度函数的贝叶斯估计。最后运用Monte Carlo方法对估计结果进行了模拟比较。     

无信息先验下几种不同Bayes估计的比较

讨论了在二项分布场合关于成功率的不同无信息先验分布下的Bayes估计 ,并从Bayse风险的角度对它们进行了比较     

基于Dirichlet先验分布的模糊可靠性增长模型研究

将模糊理论应用于基于Dirichlet先验分布的Bayes可靠性增长模型,提出了可靠性增长的模糊模型。在对Dirichlet先验分布函数研究的基础上,分析了先验参数的获取方法。针对某水冲压发动机可靠性增长试验使用Dirichlet先验分布模型进行了分析,给出了试验各阶段的先验分布和后验分布,并分析了与先验信息方差有关的参数对后验可靠度的影响。在此基础上,通过引入模糊变量,发展了模糊可靠性增长模型,得到了试验各阶段模糊可靠度。     

雷达情报特征的Bayes识别方法

根据雷达情报目标判性应用背景,对Bayes方法在该领域的应用进行了研究,初步建立了基于雷达情报特征的统计模型,并在算法的收敛速度和稳健性等方面与D-S证据理论进行了比较。仿真结果表明,Bayes方法对先验信息的精确程度要求并不十分严格,能较好地解决雷达情报综合问题。     

成败型产品的Bayes鉴定试验方案研究

利用可靠性增长模型给出了成败型产品鉴定试验的一种Bayes方法.提出了Bayes鉴定试验的最大后验风险准则,利用这种准则制定的鉴定试验方案综合了产品研制过程中的先验信息.在确保产品质量的前提下,与传统的鉴定试验方案相比,将大大节省试验时间.     

多阶段含延缓纠正的可靠性增长序化建模分析

多阶段含延缓纠正的可靠性增长试验,其各个阶段内的试验数据分别服从参数不同的Weibull过程.针对现场样本少、传统的可靠性评估方法实施困难的问题,首先在获得各阶段形状参数的基础上,对各个阶段截尾时刻的失效强度建立顺序约束关系.然后,运用Bayes方法融合先验信息,获得最末阶段截尾时刻的失效强度的期望与置信上限.该结果融合了历史阶段的样本信息,优于仅利用单个阶段样本的分析结果,适用于多阶段可靠性增长试验的综合评估.     

基于Bootstrap仿真的鱼雷实航工作可靠度评定方法

由于鱼雷产品的可靠性不断提高,同时可靠性试验受经费、时间等因素的限制,导致鱼雷实航工作可靠度的评定面临现场试验数据不足的问题。近年来,普遍采用补充可靠性先验数据结合Bayes方法进行综合评定来解决这一小子样问题。针对现有先验数据获取未能充分利用性能可靠性信息,利用Bootstrap仿真方法对性能可靠性数据进行仿真增加样本量,作为现场可靠性Bayes评定的先验数据,极大地降低了实航工作可靠度评定样本不足对评估结果的影响,具有很好的工程应用价值。     

环境因子和混合贝塔分布的贝叶斯法制导弹药评估

针对制导弹药可靠性试验评估成本高和靶场试验次数少的问题,采用基于环境因子和混合贝塔分布的贝叶斯法对制导弹药可靠性进行评估。利用环境因子法,结合成败型产品讨论了不同库存环境制导弹药可靠性试验数据的折合,解决了不同环境下数据融合的问题。以混合贝塔分布为先验分布,得到了评估制导弹药可靠性的Bayes方法,该法解决了性能检测试验数据与靶试数据融合问题,并对制导弹药可靠性进行了数值仿真计算,为制导弹药可靠性评估提供了一种新方法,具有一定的价值。     

液体火箭发动机无失效条件下的可靠性分析方法

针对液体火箭发动机热试车过程中可能出现的无失效情况,在对寿命分布进行分析的基础上,利用配分布曲线-最小二乘法,采用经典估计和Bayes估计作为先验分布,对液体火箭发动机无失效条件下的可靠性进行了评估,并对评估结果进行了分析。计算结果表明,采用最小二乘法结合Bayes估计,可以较好评估液体火箭发动机在无失效条件下的可靠性。     

水中兵器延寿样本的装载可靠度鉴定试验方案

针对延寿样本子样少,按经典GJB899法对装载可靠度鉴定需要较长的试验时间这一实际情况,提出了一种减少试验时间的Bayes方法.该方法通过挖掘延寿前装载失效率信息,确定先验分布,再开展陆上加速装载试验以增加装载信息,并结合实际装载信息制定了装载可靠度鉴定试验新方案.实例计算表明:在确保鉴定效果的前提下,新方法可在较小的延寿样本条件下快速完成装载可靠度鉴定工作,满足水中兵器延寿工程的实际需要.     

逐步Ⅱ型截尾情形下逆-Weibull部件的Bayes估计

在逐步Ⅱ型截尾试验下,研究了逆-Weibull部件寿命参数的极大似然估计和Bayes估计。利用简单迭代方法,给出了寿命参数的极大似然估计的数值解。然后基于不同的先验分布,得到不同损失函数下寿命参数的Bayes估计。最后,运用Monte-Carlo方法对各估计结果作了模拟比较,结果表明Bayes估计优于极大似然估计,且LINEX损失下的Bayes估计误差最小。