一、椭球等高矩阵分布的条件分布（论文文献综述）
刘璐[1]（2020）在《天线罩与天线阵列及其一体化的辐射及散射特性研究》文中认为天线系统是实现无线信号传输极其关键的部分。在工程应用中天线通常需要天线罩的保护,天线罩多会与金属底座形成封闭的天线舱系统。但天线罩引起的电磁场幅相畸变以及封闭天线舱带来的复杂传播环境会在一定程度上影响天线的电磁性能,因此对天线阵及其与天线罩形成的天线舱系统的辐射与散射特性研究,在通信、遥感、国防安全等领域中均有着重要的科学意义和工程价值。快速精确地模拟天线单元及阵列的电磁性能、高效地设计低成本高性能的天线阵列、合理地评估天线舱对舱内天线电磁特性的影响、有效地优化舱体引起的系统性能恶化是当前亟待解决的问题。为此,本文分别从目标的辐射特性和接收特性两个角度,对天线阵及天线罩加载的天线舱系统的高效分析、设计与优化等问题展开了系统的研究。首先,本文介绍了研究工作中所采用的数值分析方法,包括积分方程方法的基本原理、矩量法的数值实现、快速求解技术、电磁散射与辐射激励模型以及线性系统中电磁结构的互易原理,作为本研究工作的基础理论支撑。高效精确的数值模型是分析天线及天线舱系统电磁特性的前提。为解决传统体面积分方程（Volume surface integral equation,VSIE）方法分析微带天线辐射特性时出现的谐振频率偏移、收敛性差和未知量大等问题,本文从基函数的选取、边界条件的处理以及未知量的减缩三个方面对传统模型进行了创新性地改进,提出一种适用于微带结构快速分析的数值模拟新方法。为消除传统模型的频偏问题,新方法引入了平行板电容准静态关系以描述贴片、地板和介质基板之间的强耦合特性,建立金属与介质交界面处的边界条件,以保证模型的稳定性,提高解的精度;该方法使用定义在四边形网格上的高阶叠层Legendre基函数取代传统RWG基函数,在展开金属表面电流时能更好的描述天线谐振时辐射贴片上较强的边缘电流,从而显着提高收敛性并降低未知量;同时,该方法利用金属的表面电流直接表述介质内的电位移矢量,故待求未知量仅位于金属表面,无需求解介质内的未知量,进一步大大缩减了未知量总数。与传统的VSIE方法相比,该方法在分析微带天线及其阵列辐射特性时,可以在降低大量未知量的同时明显提高求解精度和收敛速度。接着在天线阵列的设计方面,本文基于天线接收模型的Poynting能流特性,提出了一种提高阵列增益的高效设计新方案。该方案从接收天线的角度,利用Poynting能流方法分析天线对周边能量分布的影响,并将相关物理特性可视化,进一步指导天线阵列的设计。通过研究不同匹配状态下天线对能量的扰动特性,本文利用短路偶极子天线不吸收能量但能引导能量流动方向的特性,合理设计其布放位置,引导原被散射的能量至所需方向,来增强相邻天线单元对能量的吸收能力,从而提高阵列的口径利用效率和增益。与传统从辐射角度出发的设计方法相比,该方案为阵列的分析和设计提供了一种新的理解角度和直观的设计思路,降低了阵列设计的难度。当天线于天线舱内工作时,针对因舱体损耗以及舱内场的多径传输效应等原因引起的天线辐射性能恶化的问题,本文提出了一种基于理想点源辐射模型的天线舱系统评估及优化策略。该策略用点源做测试源,利用积分方程方法通过分析点源加罩前后辐射场的幅相变化信息,实现天线舱系统的快速评估和优化设计。为提供更多的优化自由度,本文将舱内阵列的激励幅度和相位选做优化域,取代传统对天线罩壁结构的优化。接着,利用上述策略提取出的相位变化信息来设置各单元的补偿相位,以抵消舱体对辐射场相位的影响,从而消除指向误差。然后基于所提出的评估手段,利用优化算法调整罩内阵列的激励幅度,实现高副瓣电平的有效抑制。此外,本文还提出了更具应用可行性的幅度分级策略,简化了工程应用中馈电网络设计的复杂度。基于点源模型的评估策略,一方面考虑了各阵列单元辐射场在天线舱内的多径传输效应,另一方面又避免了分析天线精细结构带来的多尺度问题,有效地提高了优化迭代期间系统的分析效率,且该优化方案可在不改变天线罩结构的前提下,实现天线舱系统指向精度的明显提高和高副瓣电平的有效抑制。虽然上述优化策略可有效地优化天线舱系统的电磁特性,但罩内阵元数增多时,计算复杂度也会随之增加。为此,本文最后提出了一种基于接收模型的天线舱系统优化策略。该方案基于互易原理,通过分析平面波从不同角度入射时罩内阵列栅格处的电场信息,来实现系统的评估、诊断和优化。该策略利用主瓣方向入射时阵列栅格的电场相位信息来设置阵列单元的补偿相位,有效消除天线舱引入的指向误差。通过对比分析阵列栅格处的电场对平面波分别从主瓣和副瓣方向入射时的响应,诊断出对高副瓣电平影响较大而对主瓣增益影响较小的敏感单元,并以此确定阵列的优化域。然后利用优化算法调整该优化域内单元的激励幅度,实现高副瓣的有效抑制。此外,为解决该优化方案导致的非均匀激励问题,本文进一步引入了天线旋转策略,仅需将优化域内的阵列单元旋转适当角度,便可有效抑制天线舱系统的高副瓣电平,无需修改罩体结构或设计复杂的馈电网络。该优化方案的计算复杂度仅与待优化角度数目有关,而与罩内阵元数无关,且只需调整天线阵列敏感单元的激励权值或放置角度。因此对比于辐射模型,该优化方案在分析大型阵列天线舱系统时,优化效率更高,应用潜力更大。
李刚,梁家卷,潘建新,彭小令,田国梁[2]（2020）在《多元统计分析及其应用》文中指出自20世纪50年代以来,多元统计的理论、方法及其应用受到了越来越广泛的关注.国内多元统计方向的研究始于20世纪30年代末至40年代初许宝騄在西南联合大学时期.现代大数据分析的需要使得古典多元统计方法不能完全有效地解决当前的实际问题.古典多元统计理论从20世纪70年代以来已经得到了快速发展,本文旨在对国内学者在推广古典多元统计理论及其应用方面的工作进行概述,主要包括:多元统计分析和广义多元统计、一般对称多元分布、增长曲线模型及其他方向.广义多元统计是正态假设下的传统统计方法论的推广.其目的是将传统的统计方法论,如参数估计、假设检验和统计模型等,推广到更大的多元分布族.这个分布族称为椭球等高分布族.一般对称多元分布构成一个更大的多元统计分布族.这个分布族包含了椭球等高分布族作为其特例.增长曲线模型包含了一类统计方法,它允许考虑个体内部及个体之间随着时间变化时的相关关系.异常观察点及影响观察点的辨别是增长曲线模型研究的一个重要方向.
陈思睿[3]（2018）在《悬浮体系偏振散射表征的理论和实用性研究》文中提出悬浮体系粒子光散射过程中的偏振信息对散射体的形态、结构、折射率、粒径等散射体的固有属性敏感。因此,基于偏振光散射的颗粒物识别技术在大气监测、海洋生物监测、生物细胞检测等领域有诸多的应用。本论文关注的科学问题是复杂形态的颗粒物在线悬浮体系下任意取向的散射过程及其表征指标提取,以及理论模拟预测结果与实测信号分析的结合。论文的主要工作分为模拟和实验两部分。在模拟上,论文工作包括新的偏振散射形态模型仿真计算方法的建立,以及基于此理论计算工具所提取的颗粒物形态特征识别的偏振指标分析结果。此部分论文主要贡献在于建立了基于DDA算法的NMDDA计算方法,其速度性能上远超于现有的的DDSCAT。实现了多种复杂形态颗粒物、任意颗粒物取向、全空间偏振指标与散射矩阵的立体分布的输出等功能。在对复杂形态颗粒物的模拟上,论文演示了各类形态在特定散射角度下的平均散射矩阵,并分析散射体的属性对这些矩阵元的影响,讨论了合理的表征散射体形态特征的偏振指标可行性,展示了分形颗粒物建模的重要性。论文工作同时开展了实验验证和现场实测部分,论文采用的数据来源于2017年冬季至2018年春季研究组在北京中国环境科学院源排放污染物实测所采集到的数据。它们包括三种不同的燃烧产生的颗粒物,分别是玉米秸秆、干草和燃煤的燃烧产物。论文重点分析了前期研究工作中的两个关键偏振指标,不仅从实测上验证了基于偏振散射在线测量区分三类源污染物的能力,同时首次演示了根据NMDDA算法中对不同源颗粒物的建模仿真效果。
石爱菊[4]（2016）在《广义椭球等高分布及其性质研究》文中进行了进一步梳理本文首先利用左球分布定义一类绝对连续型广义椭球矩阵分布,并研究这种广义椭球矩阵分布在非奇异变换下的有关性质。其次,本文详细研究基于非负连续规则变化随机变量与椭球分布的尺度混合产生的多元广义t分布族的尾相依性质。第二章首先考虑左球分布在线性变换下的性质,然后将经典的矩阵F分布和矩阵t分布的随机表示式结构中的球对称分布的随机变量扩大到左球分布类,推导出新的随机矩阵F分布和矩阵t的任意Borel函数的数字特征的积分表示,利用随机矩阵的联合密度函数与数字特征函数之间的一一对应关系推导出新条件两个随机矩阵的联合概率密度函数精确表达式,就是矩阵F分布或矩阵t分布的联合概率密度。由此将多元统计推断中的重要分布F分布和矩阵t分布推广到左球分布的范围,我们将其称为广义椭球矩阵分布。最后利用这一推广意义,研究了各种矩阵椭球分布关于非奇异合同变换下的不变性质。第三章利用随机结构方法定义了几种多元广义t分布,这种广义t分布看成逆伽玛分布与多元椭球对称分布的尺度混合。研究了它们的尾相依性质,通过计算概率的方法推导了在相关矩阵意义下的上象限尾相依系数和上极值尾相依指数的表达式,并研究了尾相依系数关于尾指数和线性相关系数之间的关系。根据我们的结论可知,这里得到的表达式比己有的多元t分布的尾相依系数的计算公式简洁明了,统计意义更加清楚。关于由逆伽玛分布和多元正态分布尺度混合产生的广义多元t分布,尾相依系数与尾指数的关系比较复杂,我们给出了一个单调性的充分条件。尾相依系数与相关系数的关系:上极值相依指数关于线性相关系数一定是单调非减的关系;上尾相依系数与随机向量的相关系数的单调关系与相关系数所对应的随机变量有关,对此我们建立了它们之间单调非减的充要条件。通过数值模拟验证了所有结论。关于由逆广义Gamma分布与多元指数幂分布尺度混合产生的广义多元t分布,首先通过计算概率的方法,将其尾相依系数表示成多元指数幂分布变量的数字特征的形式,其次也考虑了这种广义多元t分布的尾相依系数的性质,并通过作了相应的随机模拟。用类似的方法研究了由逆广义Gamma分布与多元Kotz型分布混合产生的广义多元t分布的尾相依系数的计算公式并讨论了它们的性质。第四章通过随机结构的方法构造了由规则变化随机变量与任意球对称多元分布尺度混合产生的一类广义多元t分布。这一分布类可以通过灵活选取规则变化随机变量的尾指数而得到比一般椭球分布更轻或更厚尾部的随机向量,并且包含了第三章中定义的各种多元广义t分布。所以,这一新的分布类是多元广义t分布的推广,我们称之为规则变化尺度混合的多元广义t分布。随后我们利用随机向量的copula函数推导了随机向量的尾相依函数。首先将尾相依函数表示成向量的紧测度的形式,然后利用尾相依系数与尾相依函数的关系巧妙地得到这类分布族的上尾相依系数和上极值相依系数的表达式。所有的尾相依系数表示成随机结构式中球对称分布的随机向量的相应分量的数字特征的函数,这一结果与用概率方法推导出的结论完全一致,显然用copula函数方法由于只要用到随机向量间的结构,不用考虑边缘分布的干扰,所以比概率方法简单许多。上一章的所有结果可以作为本部分结论的特殊结果。最后通过数值模拟的方法验证了所得结论。
武克廷[5]（2016）在《模拟过载动感座椅的机构优化设计及其动力学分析》文中研究指明飞行模拟过载动感座椅是辅助甚至在某些模拟科目中替代六自由度运动平台的模拟器;为了提高飞行模拟过载动感座椅的模拟逼真度,本文主要对过载座椅的机构进行研究和分析,通过动力学性能评价指标对机构的尺寸参数进行优化以提高其动力学性能。同时也对模拟过载动感座椅的激励算法做了研究和分析。以飞行模拟过载动感座椅的背板机构为研究对象,对机构的运动性能做了系统化的分析和研究。利用虚功原理法建立了背板机构的正运动学模型及逆运动学模型,分别从机构学、运动学及动力学的角度对运机构模型进行了正解和反解。推导了机构的运动方程并构造了方程的雅克比矩阵,阐述了基于雅克比矩阵的速度椭球、加速度椭球及广义惯性椭球等机构运动学性能评价方法;介绍了椭球评价方法中常用的几种评价指标。通过引入驱动误差,推导出了全局条件系数。利用MATLAB软件对机构的这些性能评价指标进行了仿真,结合广义惯性椭球及加速度分布的仿真结果,对机构的运动学性能的缺陷进行了评判,并利用空间模型理论对机构的参数进行了优化,提高了机构的加速度性能。分析了人体接收运动信息的原理,对人体的感觉信息进行了研究,结合飞行员在飞行模拟过载动感座椅中的受力情况,建立了人体前庭感觉系统及身体压力感觉系统的数学模型。对飞行模拟过载动感座椅的激励算法进行了研究和对比,在最优滤波算法建立的过程中引入了人体感觉模型。利用flightlab飞行仿真软件,对经典滤波算法、自适应滤波算法及最优滤波算法在过载座椅中的激励响应进行了仿真,并且将飞行模拟过载动感座椅对激励的响应与飞机的响应进行了分析和对比,并得出结论,即引入人体感觉模型的最优滤波算法能够使飞行模拟过载动感座椅得到更逼真的模拟效果。
李浩[6]（2014）在《简单半序约束下多元Kotz型分布参数的极大似然估计》文中提出Kotz分布是一类重要的对称椭球分布，它是由Samuel Kotz于1975年作为多元正态分布的推广形式首次引入的。自1990年以来有关此分布的研究量激增，许多学者对这种分布进行了研究。Kotz分布解决了许多以正态分布假设为前提的模型解决不了的问题，同时，Kotz分布在经济数学，重复测量学等学科中也有着广泛的应用。序约束下的统计推断问题由于其深刻的理论背景成为统计分析领域的重要组成部分，而多维保序回归理论对多维参数在序约束条件下的统计推断起着关键性作用。本文首先利用椭球等高分布的理论与矩阵Kotz分布定义相结合，给出了在一定条件下的多元Kotz型分布Kp（μ,Σ）的均值参数的极大似然估计，并分别研究了均值向量已知和未知两种情况下的协方差矩阵的极大似然估计。之后利用多维保序回归的理论及方法，根据协方差矩阵的情况不同，深入的研究了三种情况下多元Kotz型分布Kxp（θ,Σ）的均值在简单半序约束条件下的极大似然估计的算法，其思想就是，结合多元Kotz型分布自身性质，当协方差矩阵已知或协方差矩阵未知且相等时，通过把多维保序回归降为一维保序回归并利用PAVA算法迭代。当协方差矩阵未知且不相等时，则通过把多维保序回归降为一维保序回归并对参数赋予初始值后反复迭代直至收敛的方法，最终得到序约束条件下的极大似然估计。
刘金山,夏强,黄香[7]（2013）在《广义矩阵分布下多元回归模型的贝叶斯推断》文中提出考虑具有奇异矩阵椭球等高分布误差的多元线性回归模型的贝叶斯统计推断,在非信息先验下得到了系数矩阵关于Hausdorff测度的后验边缘分布和未来观察值的预测分布,并得到了一类特殊奇异矩阵椭球等高分布下误差协方差矩阵的后验边缘分布.对于具有奇异矩阵正态分布误差的多元线性回归模型,在广义正态-逆Wishart共轭先验下得到了类似的后验边缘分布和预测分布结果.在上述两种先验分布下,回归系数矩阵的后验边缘分布和预测分布是双奇异矩阵t分布,这种分布具有关于Hausdorff测度的精确密度.结果表明,在非信息先验下,回归系数矩阵的后验边缘分布和未来观察值的预测分布在奇异矩阵椭球等高分布类中具有稳健性.
陈斌[8]（2013）在《异常检测方法及其关键技术研究》文中提出所谓异常检测就是检测和发现观测数据中不符合正常（期望）行为的异常数据模式，根据应用领域的不同，这些异常模式也被称为野值点、不一致点、新颖点、离群点或者污点。近年来异常检测已广泛用于故障诊断、疾病检测、入侵检测、信用卡（或保险）欺诈检测及身份辨识等领域。在这些领域中，异常模式常常蕴含了显着的（通常具有很大危害甚至致命的）行为信息，如互联网中网络流量（行为）的异常可能意味着受攻击主机上敏感信息的泄密，信用卡的欺诈行为会导致巨大的经济损失。因此异常检测的研究极具理论意义和实用价值，并已得到了广泛的关注，成为了模式识别领域中一个非常活跃和热门的研究方向。异常检测任务的特殊性往往在于只有符合期望（正常类）行为的数据模式，而罕有或未知违反符合期望（异常类）行为的数据模式，此两类观察样本的极端不平衡性（异常类样本数远小于正常类样本数）使得异常检测非常困难。因而目前对异常检测方法的研究主要集中于无监督学习框架和一些利用极少数有标号异常样本的监督学习方法。本文针对各种异常检测方法的原理、鲁棒性和先验信息嵌入等方面进行了深入研究，主要工作如下：1.提出了基于单簇聚类的数据描述OCCDD （One-cluster Clustering based Data Description），其利用单簇类聚类算法可能性C－均值PCM （Possibilistic C－Means）即P1M（PCM,C=1）进行权值计算并采用加权平均方法求解包含超球，克服了SVDD （Support Vector Data Description）采用极小极大化估计包含大多数正常类样本超球时超球中心对野值点的不鲁棒性，避免了SVDD求解二次规划的高训练复杂性。并从理论上证明了P1M拥有PCM（C>1）一般不具备的全局最优特性。进一步针对文本分类等应用中自然形成的观测数据的多视图特性，对OCCDD进行拓展，提出了一种多视图的异常检测方法，不同于单个视图上的单独训练，其实现了多视图的同时学习和相互促进。2.提出了AUC （Area under the ROC curve）正则化的SVDD，其针对异常类样本分布在正常类样本四周的情形，利用AUC度量对样本分布和错分代价的不敏感性，将AUC度量作为正则化项嵌入到SVDD优化目标中，从而同时优化最小包含球体积和AUC性能，解决了一般异常检测器不能胜任存在极少异常类样本的极端不平衡样本分布问题。此后，针对AUC正则化方法产生的高训练复杂性，提出了两种解决方案进行加速。3.提出了一种流形学习算法的设计框架：mXXX≈ISOMAP+XXX（XXX可为任一基于欧氏距离的学习算法），其仅需将原空间的测地距离近似为ISOMAP降维空间上的欧氏距离，而无需显式ISOMAP降维，即在隐含ISOMAP降维后空间上执行原XXX算法而实现流形结构信息的嵌入。针对观测数据位于或接近于低维非线性流形时欧氏距离难以真实地刻画其几何结构的不足，采用上述框架以SVDD为例设计了流形嵌入的SVDD （mSVDD），算法优点如下：（1）通过对ISOMAP降维空间中欧氏距离的近似计算，解决了前述基于测地距离的SVDD无法直接优化的问题；（2）无需真正执行ISOMAP的MDS （Multidimensional Scaling）和嵌入流形维数的选择（；3）不同于原空间（基于欧氏距离的）SVDD，mSVDD基于测地距离并隐含执行了ISOMAP，故能实现流形嵌入。4.揭示了基于支撑域的异常检测器和密度估计的关系。在综述目前的异常检测方法基础上，重点就两种基于支撑域的单分类器：单类支持向量机（One-class SVM，One-class Support VectorMachine）和支持向量数据描述SVDD，揭示了高斯核核化后它们与密度估计之间的本质性关系：首先，将基于支撑域的单分类器统一到密度估计的框架下；其次，还证明了基于支撑域的单分类器诱导的密度估计和真实密度一致，优化这些单分类器的同时也能减小积分平方误差。
储慧琴,夏登峰[9]（2012）在《EVS椭球等高矩阵分布中的正态性刻划》文中研究指明近年来多人研究了模型误差服从椭球等高分布情况下的性质,并得出较好结论.在假定样本服从向量椭球等高分布情况下,进一步完善样本来自正态分布的等价性刻划.
石爱菊,林金官[10]（2010）在《椭球等高矩阵分布关于非奇异矩阵变换的不变性》文中研究表明本文首先将矩阵F分布和矩阵t分布的定义推广到左球分布类,其密度函数与产生它们的左球分布或球对称分布的密度均无关.然后讨论了椭球等高分布关于非奇异矩阵变换的不变性问题,包括矩阵Beta分布、逆矩阵Beta分布、矩阵Dirichlet分布、逆矩阵Dirichlet分布、矩阵F分布和矩阵t等分布.在非奇异变换下,这些分布的密度不但与产生它们的左球分布的密度函数无关,而且与非奇异变换矩阵无关.
二、椭球等高矩阵分布的条件分布（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、椭球等高矩阵分布的条件分布（论文提纲范文）
（1）天线罩与天线阵列及其一体化的辐射及散射特性研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景及意义 |
| 1.2 国内外研究历史及主要挑战 |
| 1.3 本工作的主要内容和贡献 |
| 1.4 本工作的结构及内容安排 |
| 第二章 积分方程方法基本原理及激励模型 |
| 2.1 积分方程方法的基本原理 |
| 2.1.1 表面积分方程方法 |
| 2.1.2 体积分方程方法 |
| 2.1.3 体面积分方程方法 |
| 2.1.4 薄介质片等效方法 |
| 2.2 积分方程的数值求解方法简介 |
| 2.2.1 矩量法的基本原理 |
| 2.2.2 面基函数 |
| 2.2.3 体基函数 |
| 2.2.4 快速求解方法简介 |
| 2.3 电磁散射与辐射的激励模型 |
| 2.3.1 电磁散射问题:平面波激励 |
| 2.3.2 电磁辐射问题:功率源馈电模型 |
| 2.4 互易定理简介 |
| 2.5 本章小结 |
| 第三章 微带天线辐射分析的一种高效建模方法 |
| 3.1 传统积分方程分析辐射问题时面临的挑战 |
| 3.1.1 基函数的尺度特性 |
| 3.1.2 边界条件的描述 |
| 3.2 基于平行板电容准静态关系的高效建模方法 |
| 3.2.1 微带天线结构耦合关系的描述 |
| 3.2.2 基函数的选取 |
| 3.3 数值算例 |
| 3.4 本章小结 |
| 第四章 一种基于Poynting能流曲线特性提高阵列增益的新方法 |
| 4.1 接收天线Poynitng能流曲线及吸收口径的特性研究 |
| 4.1.1 不同匹配情况下天线的Poynting能流曲线特性 |
| 4.1.1.1 天线短路或开路 |
| 4.1.1.2 天线完全匹配 |
| 4.1.1.3 天线失配 |
| 4.1.2 天线近、远场区域吸收口径的特性研究 |
| 4.1.2.1 吸收口径的形状变化 |
| 4.1.2.2 吸收口面场分布的变化 |
| 4.2 寄生单元对有源单元吸收口径的影响研究 |
| 4.2.1 寄生单元负载电阻的影响 |
| 4.2.2 寄生单元负载电抗的影响 |
| 4.3 一种基于能流曲线特性提高阵列增益的新方法 |
| 4.3.1 一种高效偶极子阵列 |
| 4.3.2 一种高效交叉偶极子圆极化阵列 |
| 4.4 本章小结 |
| 第五章 基于点源辐射模型的天线舱系统评估及优化策略 |
| 5.1 基于点源模型的天线舱电磁特性评估 |
| 5.1.1 点源模型评估方法介绍 |
| 5.1.2 点源模型的精度考察 |
| 5.2 指向误差的修复 |
| 5.2.1 基于相位补偿的优化方法介绍 |
| 5.2.2 数值算例 |
| 5.3 高副瓣电平的抑制 |
| 5.3.1 基于阵列激励权值调控的优化方法介绍 |
| 5.3.2 数值算例 |
| 5.4 本章小结 |
| 第六章 基于接收模型的天线舱系统评估及优化策略 |
| 6.1 基于互易原理的天线罩电磁特性评估 |
| 6.1.1 评估方法介绍 |
| 6.1.2 阵列单元优化域的选取 |
| 6.2 天线舱系统电磁性能的优化 |
| 6.2.1 指向误差的修复 |
| 6.2.2 高副瓣电平的抑制 |
| 6.3 阵列非均匀激励的旋转实现 |
| 6.3.1 方法介绍 |
| 6.3.2 数值算例 |
| 6.4 本章小结 |
| 第七章 全文总结 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（2）多元统计分析及其应用（论文提纲范文）
| 1 引言 |
| 2 多元统计分析及广义多元统计 |
| 2.1 椭球等高分布理论的发展 |
| 2.2 球矩阵分布理论与应用 |
| 2.3 广义多元分析的国外平行研究及进一步发展 |
| 3 一般对称多元分布及相关分布 |
| 3.1 从球分布到l1-模对称分布 |
| 3.2 其他相关的多元分布 |
| 4 方向数据、占有问题、增长曲线模型与其他研究方向 |
| 4.1 方向数据与占有问题 |
| 4.2 增长曲线模型与其他研究方向 |
（3）悬浮体系偏振散射表征的理论和实用性研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文的背景与意义 |
| 1.1.1 大气颗粒物的主要成分与其来源 |
| 1.1.2 大气颗粒物对人体的影响 |
| 1.2 颗粒物的检测技术 |
| 1.2.1 取样法 |
| 1.2.2 非取样法 |
| 1.2.3 光散射法 |
| 1.2.4 偏振测量悬浮粒子的进展 |
| 1.3 论文主要内容 |
| 第2章 偏振光与光散射理论基础 |
| 2.1 光的偏振 |
| 2.2 Jones矢量与Jones矩阵 |
| 2.3 Stokes矢量与Muller矩阵 |
| 2.4 光散射的基本理论 |
| 2.5 光散射的模拟计算方法 |
| 第3章 光散射的模拟方法与NMDDA |
| 3.1 DDA的理论基础 |
| 3.2 NMDDA的开发与使用 |
| 3.3 NMDDA的结果比对 |
| 第4章 非规则形态单颗粒物建模仿真研究 |
| 4.1 典型非规则形态散射体的散射矩阵角度谱 |
| 4.2 特定探测角下的典型非规则形态散射体的散射穆勒矩阵 |
| 4.3 颗粒物形态属性表征的偏振指标提取方案 |
| 4.3.1 85 HHDOP |
| 4.3.2 85 PPDOP |
| 4.3.3 对称角指标SP |
| 4.4 分形模型 |
| 4.5 本章小结 |
| 第5章 颗粒物实测结果中的非规则形态属性及其分析 |
| 5.1 实验设备以及实验结果 |
| 5.1.1 实验仪器的构造 |
| 5.1.2 数据的采集与处理 |
| 5.1.3 实验结果 |
| 5.2 实验样本的电镜结果以及其仿真模型 |
| 5.3 偏振检测法对燃烧过程的动态监测 |
| 第6章 总结与展望 |
| 6.1 论文工作的总结 |
| 6.2 未来工作的展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（4）广义椭球等高分布及其性质研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状及存在的问题 |
| 1.2.1 椭球等高分布的研究现状及存在的问题 |
| 1.2.2 多元随机变量尾部相依系数的研究现状及存在的问题 |
| 1.3 本文的主要工作 |
| 1.4 预备知识 |
| 第二章 矩阵椭球等高分布在合同变换下的性质 |
| 2.1 引言 |
| 2.2 椭球等高矩阵分布在左球分布类中的推广 |
| 2.2.1 主要结果 |
| 2.2.2 定理的证明 |
| 2.3 椭球等高矩阵分布在合同变化下的性质研究 |
| 2.3.1 主要结果 |
| 2.3.2 定理的证明 |
| 2.4 本章小节 |
| 第三章 广义多元t分布的尾相依性质 |
| 3.1 引言 |
| 3.2 规则变换函数 |
| 3.3 广义多元t分布GT_n(μ,∑;λ,q)的尾相依系数及其性质 |
| 3.3.1 广义多元t分布GT_n(μ,∑;λ,q) |
| 3.3.2 GT_n(μ,∑;λ,q)的尾相依系数 |
| 3.3.3 GT_n(μ,∑;λ,q)尾相依系数的性质 |
| 3.3.4 模拟研究 |
| 3.4 广义多元t分布MGT_n(μ,∑;λ,β,q)的尾相依系数及其性质 |
| 3.4.1 广义多元t分布MGT_n(μ,∑;λ,β,q) |
| 3.4.2 MGT_n(μ,∑;λ,β,q)的尾相依系数 |
| 3.4.3 MGT_n(μ,∑;λ,β,q)尾相依系数的性质 |
| 3.4.4 数值模拟 |
| 3.5 TTD_n(μ,∑;N,M,λ,β,q)分布类的尾相依系数及其性质 |
| 3.5.1 TTD_n(μ,∑;N,M,λ,β,q)分布类 |
| 3.5.2 TTD_n(μ,∑;N,M,λ,β,q)分布类的尾相依系数及性质 |
| 3.6 本章小结 |
| 第四章 规则变化尺度混合的广义多元t分布尾相依性质 |
| 4.1 引言 |
| 4.2 规则变化尺度混合的广义t分布RGT_n(0,∑;β,α)上尾相依函数 |
| 4.3 规则变化尺度混合的广义t分布RGT_n(0,∑;β,α)上象限尾相依系数 |
| 4.3.1 RGT_n(0,∑;β,α)上象限尾相依系数 |
| 4.3.2 数值模拟 |
| 4.4 本章小结 |
| 总结与存在的问题 |
| 致谢 |
| 参考文献 |
| 作者在攻读博士学位期间发表和完成的学术论文 |
| 作者在攻读博士学位期间参与的科研项目 |
（5）模拟过载动感座椅的机构优化设计及其动力学分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 飞行模拟座椅简介 |
| 1.2 国内外的发展概况 |
| 1.3 相关领域研究综述 |
| 1.3.1 机构建模方法 |
| 1.3.2 动力学性能评价方法 |
| 1.4 课题背景 |
| 1.5 研究内容 |
| 第二章 座椅机构的运动学分析 |
| 2.1 飞行模拟过载动感座椅机构模型 |
| 2.1.1 机构简介 |
| 2.1.2 机构坐标系 |
| 2.2 逆运动学分析 |
| 2.2.1 位置反解 |
| 2.2.2 运动反解 |
| 2.2.3 加速度反解 |
| 2.3 机构正运动学分析 |
| 2.3.1 位置正解 |
| 2.3.2 运动学正解 |
| 2.3.3 加速度正解 |
| 2.4 本章小结 |
| 第三章 飞行模拟过载动感座椅机构动力学分析 |
| 3.1 运动部件的偏速度矩阵 |
| 3.2 运动部件的惯性力 |
| 3.3 逆动力学模型 |
| 3.4 正动力学模型 |
| 3.5 机构的速度性能分析 |
| 3.5.1 广义速度椭球 |
| 3.5.2 常用速度椭球性能评价指标 |
| 3.5.3 全局条件系数 |
| 3.5.4 全局条件方差系数 |
| 3.6 本章小结 |
| 第四章 飞行模拟过载动感座椅机构的动力学优化 |
| 4.1 动力学优化指标 |
| 4.2 动力学优化设计 |
| 4.3 本章小结 |
| 第五章 模拟过载动感座椅过载激励算法 |
| 5.1 人体感觉模型 |
| 5.1.1 人体感觉信息 |
| 5.1.2 前庭感觉系统 |
| 5.1.3 身体压力感觉 |
| 5.2 过载激励算法 |
| 5.2.1 最优过载激励算法 |
| 5.3 过载激励算法仿真 |
| 5.3.1 质心变换 |
| 5.3.2 过载激励算法仿真比较 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间发表的学术论文及取得的相关科研成果 |
| 1.发表的学术论文 |
| 致谢 |
（6）简单半序约束下多元Kotz型分布参数的极大似然估计（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 多元 Kotz 型分布的研究情况 |
| 1.2 序约束下统计推断产生的背景及其发展 |
| 1.3 论文结构概述 |
| 2 预备知识 |
| 2.1 椭球等高分布族 |
| 2.2 椭球等高矩阵分布 |
| 2.3 问题的提出 |
| 2.4 保序回归及其算法 |
| 3 Kotz 分布参数的极大似然估计 |
| 3.1 Kotz 分布的定义 |
| 3.2 多元 Kotz 型分布参数的极大似然估计 |
| 4 简单半序约束下多元 Kotz 型分布参数的极大似然估计 |
| 4.1 保序回归与极大似然估计 |
| 4.2 多维保序回归 |
| 4.3 多元 Kotz 型分布均值在简单半序约束下的极大似然估计 |
| 4.3.1 总体协方差阵已知时均值在简单半序约束下的 MLE |
| 4.3.2 总体协方差阵未知且相等时均值在简单半序约束下的 MLE |
| 4.3.3 总体协方差阵未知且不相等时均值在简单半序约束下的 MLE |
| 5 结论 |
| 参考文献 |
| 致谢 |
（7）广义矩阵分布下多元回归模型的贝叶斯推断（论文提纲范文）
| 1 引言和预备 |
| 2奇异矩阵椭球等高分布和非信息先验下的贝叶斯推断 |
| 3奇异矩阵正态分布和共轭先验下的贝叶斯推断 |
| 4 一些讨论 |
（8）异常检测方法及其关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 图清单 |
| 表清单 |
| 第一章 绪论 |
| 1.1 异常检测 |
| 1.2 异常检测评价方法 |
| 1.3 本文主要工作 |
| 1.4 本文内容安排 |
| 第二章 异常检测方法分类及其关系揭示 |
| 2.1 异常检测方法及其分类 |
| 2.1.1 无监督的异常检测方法 |
| 2.1.1.1 基于密度估计的方法 |
| 2.1.1.2 基于重构的方法 |
| 2.1.1.3 基于支撑域的方法 |
| 2.1.2 有监督的异常检测方法 |
| 2.1.2.1 人工生成异常样本的异常检测方法 |
| 2.1.2.2 利用现有异常样本的异常检测方法 |
| 2.2 基于支撑域的方法之间的等价性关系 |
| 2.2.1 SVDD 和 One-class SVM 的等价性 |
| 2.2.2 One-class SVM 与 Slab SVM 的等价性 |
| 2.3 基于支撑域的方法之与密度估计之间的本质关系 |
| 2.3.1 核密度估计(Kernel Density Estimator, KDE) |
| 2.3.2 本质关系 |
| 2.3.3 本质关系的实验验证 |
| 2.3.3.1 一维人工数据集 |
| 2.3.3.2 二维人工数据集 |
| 2.4 本章小结 |
| 本章内容部分出自以下论文 |
| 第三章 基于单簇聚类的数据描述 |
| 3.1 SVDD 优缺点分析 |
| 3.2 可能性 1-均值（P1M）聚类算法 |
| 3.2.1 动机 |
| 3.2.2 P1M 算法的核化版本 |
| 3.3 P1M 全局最优性分析 |
| 3.4 基于单簇聚类的数据描述 |
| 3.4.1 数据描述的获得 |
| 3.4.2 隶属度阈值的设置 |
| 3.4.3 参数优化 |
| 3.4.4 和 SVDD 的比较与分析 |
| 3.5 实验与评估 |
| 3.5.1 人工数据集 |
| 3.5.1.1 一维香蕉形数据集 |
| 3.5.1.2 二维螺旋形曲线数据 |
| 3.5.2 真实数据集 |
| 3.5.2.1 小规模数据集上的实验 |
| 3.5.2.2 USPS 手写数字识别 |
| 3.6 本章小结 |
| 本章内容部分出自以下论文 |
| 第四章 多视图单簇聚类数据描述 |
| 4.1 提高分类器推广性能的主要技术 |
| 4.1.1 模型选择 |
| 4.1.2 正则化 |
| 4.1.3 集成学习 |
| 4.1.4 多视图学习 |
| 4.2 多视图单簇聚类数据描述 |
| 4.2.1 背景与动机 |
| 4.2.2 文档表示方法 |
| 4.2.3 多视图的单簇聚类算法 |
| 4.2.4 多视图单簇聚类数据描述 |
| 4.3 实验 |
| 4.3.1 数据集 |
| 4.3.2 参数设置 |
| 4.3.3 实验结果及分析 |
| 4.4 本章小结 |
| 本章部分内容出自以下论文 |
| 第五章 流形嵌入的支持向量数据描述 |
| 5.1 相关工作 |
| 5.1.1 ISOMAP |
| 5.1.2 测地核函数 |
| 5.2 流形嵌入的框架 mXXX ≈ ISOMAP + XXX |
| 5.2.1 原空间测地距离的实质 |
| 5.2.2 基于测地距离的 SVDD (gSVDD，Geodesic-Distance-based SVDD) |
| 5.3 流形嵌入的支持向量数据描述(mSVDD,SVDD with Manifold Embedding) |
| 5.3.1 mSVDD ≈ISOMAP + SVDD 的验证 |
| 5.3.2 mSVDD 算法描述 |
| 5.3.3 SVDD 和 mSVDD 复杂性比较 |
| 5.4 实验 |
| 5.4.1 人工数据集 |
| 5.4.2 USPS 手写体数字识别实验 |
| 5.5 本章小结 |
| 本章部分内容出自下面的论文 |
| 第六章 AUC 正则化的支持向量数据描述 |
| 6.1 引言 |
| 6.2 AUC 正则化的 SVDD |
| 6.2.1 主要动机 |
| 6.2.2 模型描述 |
| 6.2.3 核化 |
| 6.2.4 和 SVDD 及 ROC-SVM 的关系 |
| 6.2.5 加速技巧 |
| 6.3 实验 |
| 6.3.1 人工数据集 |
| 6.3.2 UCI 数据集 |
| 6.3.2.1 数据集描述 |
| 6.3.2.2 实验结果 |
| 6.4 本章小结 |
| 本章部分内容取自以下论文 |
| 结束语 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
| 攻读博士学位期间主持与参加科研项目情况 |
四、椭球等高矩阵分布的条件分布（论文参考文献）
- [1]天线罩与天线阵列及其一体化的辐射及散射特性研究[D]. 刘璐. 电子科技大学, 2020(03)
- [2]多元统计分析及其应用[J]. 李刚,梁家卷,潘建新,彭小令,田国梁. 中国科学:数学, 2020(05)
- [3]悬浮体系偏振散射表征的理论和实用性研究[D]. 陈思睿. 清华大学, 2018(04)
- [4]广义椭球等高分布及其性质研究[D]. 石爱菊. 东南大学, 2016(12)
- [5]模拟过载动感座椅的机构优化设计及其动力学分析[D]. 武克廷. 上海工程技术大学, 2016(01)
- [6]简单半序约束下多元Kotz型分布参数的极大似然估计[D]. 李浩. 辽宁工业大学, 2014(07)
- [7]广义矩阵分布下多元回归模型的贝叶斯推断[J]. 刘金山,夏强,黄香. 应用数学学报, 2013(03)
- [8]异常检测方法及其关键技术研究[D]. 陈斌. 南京航空航天大学, 2013(06)
- [9]EVS椭球等高矩阵分布中的正态性刻划[J]. 储慧琴,夏登峰. 安徽工程大学学报, 2012(01)
- [10]椭球等高矩阵分布关于非奇异矩阵变换的不变性[J]. 石爱菊,林金官. 应用概率统计, 2010(05)