CN106779354A - 基于幂验前分布的Bayes数据融合评估方法 - Google Patents
基于幂验前分布的Bayes数据融合评估方法 Download PDFInfo
- Publication number
- CN106779354A CN106779354A CN201611092434.4A CN201611092434A CN106779354A CN 106779354 A CN106779354 A CN 106779354A CN 201611092434 A CN201611092434 A CN 201611092434A CN 106779354 A CN106779354 A CN 106779354A
- Authority
- CN
- China
- Prior art keywords
- delta
- success
- data
- beta
- alpha
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于幂验前分布的Bayes数据融合评估方法,首先在一种新的验前信息可信度的定义下构造了一种成败型数据的幂验前分布,然后结合现场试验数据,根据Bayes理论获得了兴趣参数的验后概率密度函数,根据该验后概率密度函数即可进行兴趣参数的统计推断。该方法综合考虑了验前信息与现场信息的不一致性,使得融合结果更加合理可信。
Description
技术领域
本发明涉及应用统计技术领域,具体的涉及一种基于幂验前分布的Bayes数据融合评估方法。
背景技术
利用Bayes方法评估产品性能指标时(可靠性、命中概率等),如何合理有效的利用验前信息是其中的关键问题。现有方法是利用Bayes理论融合验前试验数据和现场试验数据,现场试验数据是产品或系统现场直接得到的试验结果,往往最能反映产品或系统的性能指标。但由于验前试验数据与现场试验数据的获取途径不同,通常情况下二者并不服从于同一总体,即相对于现场试验数据,验前试验数据并不是完全可信的。在融合过程中需要考虑到验前数据与现场数据的差异性。众多研究人员针对这一问题提出了多种验前数据融合方法,这些方法的核心思想是考虑验前试验数据与现场试验数据的一致性,使二者协调。
而现有方法中不加区别的融合验前试验数据和现场试验数据,常会造成现场实验数据被验前试验数据淹没或现场实验数据被验前试验数据干扰而影响融合后数据准确性。还有一些方法引入可信度参数,作为验前信息的线性加权,协调验前试验数据和现场试验数据在验后估计中的权重,增加验后估计的合理性。但此类方法对于权重的选择随意性较大,难以一次选择得到具有较好融合效果的权重比例。
发明内容
本发明的目的在于提供一种基于幂验前分布的Bayes数据融合评估方法,该发明解决了现有技术未对验前数据和现场数据加以区分就进行融合或无法准确选取验前数据和现场数据的权重比例,从而使得所得融合结果准确性较差的技术问题。
本发明提供一种基于幂验前分布的Bayes数据融合评估方法,首先根据幂参数定义验前信息可信度,根据该可信度构造一种成败型数据的验前分布形式——幂验前分布。然后结合现场试验数据,根据Bayes理论获取兴趣参数的验后概率密度函数。根据该验后概率密度函数进行兴趣参数的统计推断。
此处的兴趣参数是指针对成败型数据进行统计分析时的待估参数,例如成功概率、失败概率等,成败型数据是指可以用成功和失败描述产品(例如飞行器)试验结果的数据类型。
本发明提供的方法尤其属于作为飞行器、工业产品性能评估领域的Bayes统计推断方法。在上述领域采用该方法,能减少试验次数,新型产品的性能分析能充分利用原有型号产品的验前数据,从而减少试验成本。
参见图1本发明提供的方法包括以下步骤:
步骤S100:构造得到公式(6)所示的针对成败型数据现场数据集D的幂验前分布函数:
其中,R为成功概率,s0为试验成功次数,δ表示验前数据D0相对于现场数据集D的可信度,δ∈[0,1],n0为总的试验次数,αδ,βδ为Beta分布参数,
步骤S200:按公式(8)计算现场数据的似然函数
其中,n为总的试验次数,s为试验成功次数;
步骤S300:根据Bayes理论按公式(11)计算成功概率R的验后分布
其中,K为常系数;
步骤S400:按公式(16)计算得到成功概率R的验后点估计值,并根据所得成功概率R的验后点估计值对成功概率R进行验后统计推断
其中,
其中,幂参数δ的点估计为
其中,幂参数δ的验后概率密度函数为
该方法的具体证明分析过程如下:
步骤S100:
对于成败型数据而言,Bayes统计中的兴趣参数是成功概率R。验前试验数据集为D0,数据用(n0,s0)表示,n0为总的试验次数,s0为试验成功次数。现场试验数据集D,数据用(n,s)表示,n为总的试验次数,s为试验成功次数。现场数据集D的验前分布如公式(1)所示,公式(1)为幂验前分布函数,
其中,δ表示验前数据D0相对于现场数据集D的可信度,δ∈[0,1],∝为正比于符号。如果δ=1,则表示D0完全可信,验前数据与现场试验数据服从同一分布;如果δ=0,则表示D0与D完全不可信;如果0<δ<1,则表示部分可信。
根据Bayes理论,假设幂参数的验前分布为Beta分布,
其中,αδ,βδ为Beta分布参数。对于αδ,βδ可以根据实际所处理的验前信息情况,以及所处理数据的情况进行给定。
例如根据对验前数据获取方式的分析确定幂参数的均值为0.8,方差为0.02,则根据Beta分布点估计以及方差估计公式可以得到αδ=2.4,βδ=0.6。
其中,B(αδ,βδ)为Beta函数,
其中,Γ(.)为Gamma函数
π(R|D0,δ)为构造的验前分布形式,L(R|D0)为验前分布数据的似然函数,对于成败型数据,可表示为:
其中,表示组合数。将式(2)、式(5)代入到式(1)中,得到幂验前分布函数为
得到
其中,B(δs0+1,δn0-δs0+1)为Beta函数,
优选的,步骤S200:计算现场数据的似然函数。现场试验数据(n,s)服从二项分布,其似然函数为
其中,n为总的试验次数,s为试验成功次数;
步骤S300:计算兴趣参数R的验后概率密度函数。
根据Bayes理论,兴趣参数R和幂参数δ的联合验后分布为
π(R,δ|D0,D)∝L(R|D)π(R|D0,δ) (9)
将式(6)和式(8)代入式(9)
可得到:
在统计学中,任何概率密度函数在整个参数域中R∈[0,1]的积分必须等于1,即需要对式(10)进行归一化处理。将式(10)中的正比于符号“∝”改为等于符号“=”,则其右边需乘以常系数K,得到公式(11):
使得
由于式(12)左边的积分没有解析解,只能通过数值积分得到,但并不影响兴趣参数的验后估计。
步骤S400:对成功概率R进行验后统计推断
根据统计理论中边缘分布理论,幂参数δ的验后概率密度函数为
则幂参数δ的点估计为
式(13)中常系数K及组合算子与兴趣参数无关,在式(14)的分子和分母都没有变化,所以被抵消了。
成功概率R的验后概率密度函数为
同时成功概率R的验后点估计为
统计推断结果同样可根据式(15)或式(13)得到。
本发明提供方法不需预先给定δ值,而是可以分别根据式(13)和式(14)给出分布和点估计。从而避免由于δ值给定的偏差导致的数据融合误差。
本发明的技术效果:
本发明提供基于幂验前分布的Bayes数据融合评估方法,首先考虑了验前信息的可信度,构造了一种幂参数验前分布,根据验前试验数据获得了幂参数分布的具体形式,然后结合现场试验数据,根据Bayes理论获得了兴趣参数的验后概率密度函数,根据该验后概率密度函数即可进行兴趣参数的统计推断。该方法综合考虑了验前信息与现场信息的不一致性,使得融合结果更加可信。
具体请参考根据本发明的基于幂验前分布的Bayes数据融合评估方法提出的各种实施例的如下描述,将使得本发明的上述和其他方面显而易见。
附图说明
图1是本发明提供的基于幂验前分布的Bayes数据融合评估方法的流程示意图。
具体实施方式
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
下面结合一具体实施例,对本发明基于幂验前分布的成败型数据Bayes融合方法做进一步详细说明,其具体步骤如下:
步骤S100:假设某型产品进行了19次验前试验,成功16次,用数据集D0表示,数据用(n0,s0)表示,n0=19,s0=16。现场试验数据集D,数据用(n,s)表示,n=6,s=5。使用下面的幂验前分布函数作为现场数据集D的验前分布
分析该产品验前数据的获得方式,与现场试验情况比较接近,验前可信度点估计为0.806,估计方差为0.0217,根据与前面相同的方法可以计算得到αδ=5,βδ=1.2,
验前信息似然函数
幂验前分布函数为
步骤S200:计算现场数据的似然函数。现场试验数据似然函数为
步骤S300:计算兴趣参数R的验后概率密度函数。兴趣参数R和幂参数δ的联合验后分布为
根据公式(12)计算得到归一化参数K为
K=0.1651 (21)
则联合验后分布为
步骤S400:幂参数δ的边缘验后概率密度函数为
幂参数δ的点估计为
成功概率R的验后概率密度函数为
同时成功概率R的验后点估计为
这样就得到了成功概率R的验后估计,该估计值考虑了验前数据与现场试验数据的不一致性,验前数据与现场数据在验后估计中的权重不一样,体现了两类数据在验后估计中的差异,现场数据所占权重更大,所得结果更具合理性。
本领域技术人员将清楚本发明的范围不限制于以上讨论的示例,有可能对其进行若干改变和修改,而不脱离所附权利要求书限定的本发明的范围。尽管己经在附图和说明书中详细图示和描述了本发明,但这样的说明和描述仅是说明或示意性的,而非限制性的。本发明并不限于所公开的实施例。
通过对附图,说明书和权利要求书的研究,在实施本发明时本领域技术人员可以理解和实现所公开的实施例的变形。在权利要求书中,术语“包括”不排除其他步骤或元素,而不定冠词“一个”或“一种”不排除多个。在彼此不同的从属权利要求中引用的某些措施的事实不意味着这些措施的组合不能被有利地使用。权利要求书中的任何参考标记不构成对本发明的范围的限制。
Claims (2)
1.一种基于幂验前分布的Bayes数据融合评估方法,其特征在于,包括以下步骤:
步骤S100:构造得到公式(6)所示的针对成败型数据现场数据集D的幂验前分布函数:
其中,R为成功概率,s0为试验成功次数,δ表示验前数据D0相对于现场数据集D的可信度,δ∈[0,1],n0为总的试验次数,αδ,βδ为Beta分布参数,
步骤S200:计算现场数据的似然函数;
步骤S300:根据Bayes理论按公式(11)计算成功概率R的验后分布
其中,K为常系数;
步骤S400:按公式(16)计算得到成功概率R的验后点估计值,并根据所得成功概率R的验后点估计值对成功概率R进行验后统计推断
其中,
其中,幂参数δ的点估计为
其中,幂参数δ的验后概率密度函数为
2.根据权利要求1所述的基于幂验前分布的Bayes数据融合评估方法,其特征在于,所述步骤S200中按公式(8)计算现场数据的似然函数
其中,n为总的试验次数,s为试验成功次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611092434.4A CN106779354B (zh) | 2016-12-01 | 2016-12-01 | 用于飞行器性能评估的Bayes数据融合评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611092434.4A CN106779354B (zh) | 2016-12-01 | 2016-12-01 | 用于飞行器性能评估的Bayes数据融合评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106779354A true CN106779354A (zh) | 2017-05-31 |
CN106779354B CN106779354B (zh) | 2020-12-15 |
Family
ID=58915778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611092434.4A Active CN106779354B (zh) | 2016-12-01 | 2016-12-01 | 用于飞行器性能评估的Bayes数据融合评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106779354B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633688A (zh) * | 2020-12-23 | 2021-04-09 | 广州智能装备研究院有限公司 | 一种设备可靠性信息融合方法及系统 |
CN113762981A (zh) * | 2021-03-30 | 2021-12-07 | 中国人民解放军国防科技大学 | 一种基于指数分布的产品可信度计算方法 |
CN115576721A (zh) * | 2022-10-31 | 2023-01-06 | 北京京航计算通讯研究所 | 基于不确定性量化的多源数据融合评估试验方法及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373688A (zh) * | 2014-08-18 | 2016-03-02 | 鲍珂 | 一种基于专家信息和贝叶斯数据融合的动力传动系统可靠性评估方法 |
-
2016
- 2016-12-01 CN CN201611092434.4A patent/CN106779354B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373688A (zh) * | 2014-08-18 | 2016-03-02 | 鲍珂 | 一种基于专家信息和贝叶斯数据融合的动力传动系统可靠性评估方法 |
Non-Patent Citations (1)
Title |
---|
张文杰: "基于 Bayes 混合验前分布的成败型产品可靠性评估", 《兵工学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633688A (zh) * | 2020-12-23 | 2021-04-09 | 广州智能装备研究院有限公司 | 一种设备可靠性信息融合方法及系统 |
CN113762981A (zh) * | 2021-03-30 | 2021-12-07 | 中国人民解放军国防科技大学 | 一种基于指数分布的产品可信度计算方法 |
CN113762981B (zh) * | 2021-03-30 | 2023-11-28 | 中国人民解放军国防科技大学 | 一种基于指数分布的产品可信度计算方法 |
CN115576721A (zh) * | 2022-10-31 | 2023-01-06 | 北京京航计算通讯研究所 | 基于不确定性量化的多源数据融合评估试验方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN106779354B (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wall | Distributions and correlations in Monte Carlo simulation | |
Cavano et al. | A framework for the measurement of software quality | |
Tabri | Influence of coupling in the prediction of ship collision damage | |
CN101540018A (zh) | 一种企业信息技术应用程度评价方法及系统 | |
CN106779354A (zh) | 基于幂验前分布的Bayes数据融合评估方法 | |
CN104933323B (zh) | 融合产品成败型数据和故障时间数据的可靠性评估方法 | |
CN106097204A (zh) | 一种面向冷启动学生用户的工作推荐系统及推荐方法 | |
CN102222040A (zh) | 基于多属性熵权合成的软件可信等级评估方法 | |
Miao et al. | A conjugate Bayesian approach for calculating process capability indices | |
CN102656581B (zh) | 信息处理设备、信息处理方法和存储介质 | |
CN104881867A (zh) | 一种基于特征分布的遥感图像质量评价方法 | |
CN109840671A (zh) | 运行改进效果计算设备、运行改进效果计算方法和记录介质 | |
Cafiso et al. | Performance of safety indicators in identification of black spots on two-lane rural roads | |
CN107704704A (zh) | 一种基于贝叶斯理论的继电器类单机贮存可靠性评估方法 | |
CN113360983A (zh) | 一种边坡可靠度分析与风险评估方法 | |
CN104063445B (zh) | 一种相似性度量的方法以及系统 | |
Ette et al. | The process of knowledge discovery from large pharmacokinetic data sets | |
Ferrucci et al. | A case study using web objects and cosmic for effort estimation of web applications | |
CN103296995B (zh) | 任意维高阶(≥4阶)无味变换与无味卡尔曼滤波方法 | |
Mehl | P-boxes for cost uncertainty analysis | |
CN109960640A (zh) | 软件质量评价系统及方法 | |
Yu et al. | Fuzzy-based composite indicator development methodology for evaluating overall project performance | |
Cummins et al. | Could detection and attribution of climate change trends be spurious regression? | |
CN107862465A (zh) | 一种电力信息化项目的成本度量方法及系统 | |
CN105869172A (zh) | 一种深度图可靠性评价测度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |