Bayes信息融合方法在雷达故障诊断中的应用

根据雷达系统诊断信息多样化的特点,重点考虑雷达的BIT信息、FMECA信息、FTA信息和案例信息,提出将各类信息根据对故障现象的影响程度进行归一化处理,然后利用Bayes证据理论的方法将归一化后的信息进行融合处理,得到的结果进行故障诊断的方法,该方法可以克服各类故障信息中的量纲不一致性,可以提高诊断的可信度,降低诊断的不确定度,是一个比较理想的方法。     

现代机载探测系统多源信息融合算法

针对机载探测系统的特性,应用Dempster-Shafer(D-S)证据理论和主观Bayes的组合算法,对来自机载SAR雷达、机载前视红外搜索跟踪系统(IRS)、电子支援系统(ESM)等探测系统多次观测所获得的数据,以及来自地面的电子情报(ELINT)的不同信息进行实时融合、识别,进而确定攻击对象.通过实例进行仿真证明,这种组合算法适用于不同类传感器和不同格式信息间的融合,适合于复杂信号环境.     

基于Bayes理论的固有可用度定时截尾试验方案

为解决小子样条件下进行产品固有可用度试验验证的问题,基于Bayes理论,提出了一种固有可用度定时截尾试验方案．该试验方案在假设故障间隔时间和修复时间均服从指数分布的前提下,将现场试验分为同时进行的可靠性和维修性定时截尾试验2个部分,要求在利用验前试验信息的基础上,使本次试验获得的验后分布还可以作为下一次现场试验的验前分布,提高了试验数据的利用率,具有较好的经济效益．     

基于贝叶斯网络的我国海上能源通道海盗袭击风险分析与实验评估

鉴于能源进口安全保障的重要性及迫切性,针对海上能源通道海盗袭击事件的不确定性与突发性,基于风险理论、贝叶斯网络、蒙特卡洛模拟等方法,建立了海上能源通道海盗袭击风险的量化评估模型,探索了快速、量化评估突发性事件的技术途径,旨在为保障我国能源进口安全提供时效性强、精确度高的决策依据。     

小子样条件下巡航导弹的命中精度评估方法

针对巡航导弹定型试验发数少、验前试验信息源多的特点,提出小子样条件下,通过可信性检验分别得到每个验前信息源的可信度,在导弹落点偏差分布为正态-逆伽马分布的假设下,获得评估的验前分布参数,选择基于可信度的加权方法对多源验前信息进行融合,采用Bayes估计方法得到命中精度。最后结合实例进行仿真,说明了该方法较传统的Bayes方法更稳健,很适合巡航导弹命中精度的评估。     

杂波环境下机动目标跟踪的分布式估计算法

本文考虑了杂波环境下机动目标的多雷达跟踪问题，提出了一种分布式联合估计算法。子站独立于总站，并单独跟踪，把当地估计结果周期地传送给总站，由总站进行合并，得出基于所有子站量测的全局估计。数字仿真表明，分布式联合、估计算法在各种性能指标上都优于单站跟踪算法。     

小子样条件下基于Normal-Poisson过程的性能可靠性评定

对于高可靠、长寿命产品,基于性能退化数据分析可靠性是一种行之有效的技术途径。结合航空航天产品性能退化的机理与现场试验小子样的特点,建立了基于Normal-Poisson过程的性能退化模型。论文在对产品性能退化建模的基础上,结合Bayes方法给出了退化模型参数的估计算法和可靠性推断的公式,最后结合实例说明了方法的有效性。     

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。     

基于自训练EM算法的半监督文本分类

为了提高计算效率,提出基于自训练的改进EM算法STEM。在每步迭代的E-step中,将中间分类器最有把握对其类别进行预测的未标注样本转移至标注样本集,并应用到M-step中进行下一个中间分类器的训练,从而引入了利用中间结果的自训练机制。文本分类实验表明STEM算法在大部分情况下的分类准确性都高于EM,并通过减少迭代提高了分类器学习的计算效率。     

A nonparametric Bayes approach to decide system burn-in time

Burn-in is the preconditioning of assemblies and the accelerated power-on tests performed on equipment subject to temperature, vibration, voltage, radiation, load, corrosion, and humidity. Burn-in techniques are widely applied to integrated circuits (IC) to enhance the component and system reliability. However, reliability prediction by burn-in at the component level, such as the one using the military (e.g., MIL-STD-280A, 756B, 217E [23–25]) and the industrial standards (e.g., the JEDEC standards), is usually not consistent with the field observations. Here, we propose system burn-in, which can remove many of the residual defects left from component and subsystem burn-in (Chien and Kuo [6]). A nonparametric model is considered because 1) the system configuration is usually very complicated, 2) the components in the system have different failure mechanisms, and 3) there is no good model for modeling incompatibility among components and subsystems (Chien and Kuo [5]; Kuo [16]). Since the cost of testing a system is high and, thus, only small samples are available, a Bayesian nonparametric approach is proposed to determine the system burn-in time. A case study using the proposed approach on MCM ASIC's shows that our model can be applied in the cases where 1) the tests and the samples are expensive, and 2) the records of previous generation of the products can provide information on the failure rate of the system under investigation. © 1997 John Wiley & Sons, Inc. Naval Research Logistics 44: 655–671, 1997