基于强跟踪滤波器的多传感器非线性动态系统状态容错融合估计

将强跟踪滤波理论与多传感器数据融合估计方法相结合,提出基于强跟踪滤波器的多传感器数据融合估计新算法.对拥有相同采样率的分布式多传感器单模型非线性动态系统,应用强跟踪滤波器,得到目标状态基于全局信息融合估计结果,并利用计算机仿真结果对算法的有效性进行了验证.这些工作初步解决了Kalman滤波中由于模型的不确定性而造成估计误差值偏大情况下的状态融合估计问题,从而丰富和发展了多源信息融合理论.     

基于大数据技术的雾霾天气预测模型研究

雾霾天气成因复杂,预测较为困难。经深入分析相关技术和文献资料,在大数据技术支持下,将时空维度中已知空气质量数据与气象数据动态集成,构建了一种基于深度神经网络技术在时间维度和空间维度相融合的空气质量预测模型——基于深度神经网络的空气质量预测模型。经实验证实,此模型可预测目标站点未来的空气质量状况,且预测结果更加准确,可为环境治理提供理论参考。     

纵向数据半参数Possion回归模型

纵向数据在生物、医学和经济学中的研究普遍使用。近年来,对纵向数据各种模型的研究引起国内外统计学者的广泛关注。本文建立了半参数纵向数据的Possion回归模型,并利用极大似然估计对此模型的参数进行了估计,讨论了它的Fisher信息矩阵,给出了似然方程的NewtonRaphson迭代求解过程。     

连续时间GARCH(1,1)模型的参数估计及其实证分析

利用矩估计的思想对连续时间GARCH(1,1)模型的参数进行了估计,并利用高频数据对该模型进行了实证分析,结果表明连续时间GARCH(1,1)模型比GARCH类模型能较好的刻画高频数据的许多统计特征.     

用容积卡尔曼滤波算法进行集装箱吊具姿态估计

为提高非线性模型下集装箱吊具姿态的估计精度,建立一个基于四元数和低精度高噪声传感器的集装箱吊具姿态估计非线性模型,运用容积卡尔曼滤波算法进行姿态估计.试验数据与高精度姿态传感器数据比较表明,采用容积卡尔曼滤波算法可以有效提高集装箱吊具姿态估计精度和稳定性.     

基于人工神经网络的导航数据处理方法研究

探讨了采用广义ＢＰ神经网络理论来进行组合导航定位数据的非线性滤波方法。采用广义ＢＰ人工神经网络进行随机状态估计,其特点是：实时数据处理可并行计算,速度快;对组合导航系统模型结构及其统计特性无要求。     

大数据时代高校思想政治教育创新路径研究

随着大数据技术的发展,运用大数据技术辅助高校思想政治教育教学管理,成为比较热门的研究,其具有增强思想政治教育的科学性、针对性、时效性等价值。但同时也给高校思想政治教育者带来了思维挑战、出现了价值观及信息安全方面的伦理挑战、高校缺乏相关数据平台做支撑的技术挑战。文章从大数据技术与高校思想政治教育融合的意义、现实挑战、路径构建角度进行论述,提出高校应加强理论研究,深化其理论内涵;树立大数据意识,强化教师队伍建设;完善大数据保密与安全管理机制;实现载体创新等思路。     

上海海事大学博士生导师简介

文成林1963年出生．上海海事大学物流工程学院教授、博士生导师，杭州电子科技大学自动化学科特聘教授．曾任河南大学计算机与信息工程学院副院长，现兼任中国自动化学会技术过程的故障诊断与安全性专业委员会委员、中国自动化学会智能控制专业委员会委员、浙江省博士后联谊会副理事长等．2002年4月清华大学控制科学与工程博士后流动站出站．先后讲授“现代控制理论”、“信号与系统”、“多源信息融合”、“多尺度估计理论”和“应用泛函分析”等10余门本科生和研究生课程．主要从事多源信息融合、多尺度估计与建模理论、多模态安全检测、…     

分组零膨胀泊松模型的半参数统计推断

泊松回归模型常常用于计数数据的研究中,然而在实际数据中零值的比例可能远远大于泊松分布中取零值的概率,而且这些零值通常都有其特殊含义.此外计数数据可能是分组数据,即观测到的数据不是确切值而只是已知其落在某一个区间范围之内;或者某些特定的数据,例如工资,要先对它进行人为的分组然后再进行分析.考虑一种零膨胀泊松半参数回归模型来处理上述分组计数数据.该模型中泊松分布的期望与协变量之间采用部分线性连接函数,而零值的概率与协变量之间采用线性连接函数.利用Sieve极大似然估计方法来估计该回归模型中参数和非参数函数,并提出了一种得分检验方法来检验是否存在零膨胀.在一定正则条件下,获得了Sieve极大似然估计的渐近性质,证明了参数部分的估计是强相合,渐近正态及渐近有效的;同时非参数函数的估计达到了最优收敛速度.模拟研究表明,估计和检验方法效果都比较好,最后将此模型和推断方法应用于一组公共卫生领域实际数据研究.     

工具变量辅助的变系数测量误差模型的估计

考虑协变量有测量误差时变系数模型的估计问题。提出的方法不需要假定特定的误差模型结构或已知的误差方差,也不需要重复观测的数据。通过工具变量的辅助,首先对测量误差进行校正,从而得到真实观察变量的估计。然后用这个估计取代真实观察变量,利用变系数模型的估计方法得到函数系数的估计。证明了所提估计的渐近正态性。数值模拟结果表明本文提出的基于校正误差的方法比直接使用测量误差数据的方法有更好的有限样本性质。