基于卡方统计量的非参数轮廓变点识别研究

发布时间：2022-02-16 20:58

　　为了研究轮廓监控中的变点识别问题,以非参数轮廓数据为研究对象,对单变点问题进行了研究。首先计算出所有轮廓线的卡方统计值,再运用多元T2统计量,将统计量值最大值作为样本变异的广义似然比检验统计量,据此来找到轮廓线的变点。通过大量仿真与论证表明所提出的方法在识别变点位置和稳定性方面具有优异的性能。将该方法应用于京津冀地区空气质量指数的变点识别,识别结果可以很好地解释京津冀地区空气质量指数的时间特征。 

【文章来源】：机械设计与制造工程. 2017,46(05)

【文章页数】：4 页

【部分图文】：

受控状态a=0．5和失控状态a=1．0时轮廓图形(σ=0．5)

肸HANG和ALBIN的非参数轮廓模型产生一组非参数轮廓样本数据［11］，即yij=10－20ae－axjsin(λ1xj)/λ1+10e－axjcos(λ1xj)+εiji=1，2，…，m;j=1，2，…，p;λ1=4－a槡2(13)式中:a为常数变量。其中，εij假定服从于N(0，σ2)的独立正态随机变量。在本文中，每次仿真产生m=200个随机轮廓，其中每个轮廓维度为p=100，x=0．08，0．16，…，8．00。假定在受控情况下，a=0．5，σ=0．5，则参数a分别取0．5和1．0(σ=0．5)时的轮廓图形如图1所示。图1受控状态a=0．5和失控状态a=1．0时轮廓图形(σ=0．5)本文中，假定样本数据为单变点局部变异，变点位置为τ=100。在变异发生后，变点之后样本在x11～x15位置发生变异，发生变异时参数a=0．5，0．6，0．7，…，1．9。在任意参数情况下进行1000次仿真。当识别出变点位置时，本文采用α指标来评价变点识别的优劣性。对单变点识别问题而言，相当于变点将所有的轮廓分为了两类。假设变点识别算法识别的分类结果为V，仿真假设的分类结果为U。α指标用来评价U与V的差异，从而评价变点识别的准确度。当U=V时，为变点完全识别的情况，此时α=0。为检验U与V的差异，假设:{a}聚类结果中，在U和V中都属于第一类的样本个数;{b}聚类结果中，在U和V中都属于第二类的样本个数。·10·2017年第46卷机械设计与制造工程

【参考文献】：
期刊论文
[1]基于改进豪斯多夫距离的非参数轮廓变点识别[J]. 聂斌,孙会东,李佩,杜文超.  中国机械工程. 2015(08)
[2]基于T2统计量的Phase Ⅰ线性轮廓局部变化变点识别方法[J]. 聂斌,张军军.  系统工程. 2014(01)

硕士论文
[1]京津冀地区空气质量状况及其与气象条件的关系[D]. 刘燚.湖南师范大学 2010



本文编号：3628649