传输线分布参数模型与物理模型

形状参数分布特性_图文(精)

方数据 万 86农业机械学报 来自东北农业大学种子站,小麦籽粒的各项指标:小麦籽粒的容积质量及千粒质量由种子站给出,含水率自行测定,测定含水率时使用的仪器为 KANEK0DIGITAL PERCENTER DP一5型快速水分测量仪。试验样品的容积质量、干粒质量、含水率如表1所示。 1.2试验方法 将各种小麦籽粒分别装入密闭塑料袋中,放入冰箱,冰箱内的温度为6℃。 试验时取出适量小麦籽粒,去掉病粒、畸形粒后每个品种随机抽样75粒,使其回升至室温后进行试验。将小麦籽粒的尾毛去掉,并作适当净化处理,使其颜色变浅,以便进行图像处理时能够获得较好的图像分割效果。图像摄入计算机后,以BMP 文件存在硬盘内,以便随时调用。图像摄取之后,对每粒籽粒进行称量,电子天平的型号为HANGPING JA5003(精度1/1ooo g。 表1试验样品的物理特性 Tab.1Physicm propenies oftk experimental s蛐ples 2小麦籽粒形状参数分形特性研究 2.1网格法的基本原理 将欧氏空间R”分为尽可能细的△网格,当正规等测度分割时,即作以维以△ 为、间隔的分割,将集合x离散为数字点集,用Ⅳa表示离散空间(间距为△上的集合x的计点数。将△网格逐次放大为 K△网格,而Ⅳ"表示离散空间(间距为K△上的集

合x的计点数。得到愚个不同网格宽度上的计点数Ⅳ砧,愚一1,2,…,K。二维空间的数字点集分割过程见图1。 衄- 图1数字点集分割 Fig.1Segment of digital assembly 设zl—lg愚,弘一lgⅣm则点集(z^,挑所构成直线的斜率的绝对值就是其分形维数[5]。 2.2分形特性研究 应用上述理论及方法研究小麦粒形分型特性, 在长度、宽度、厚度、粒质量等参数间,对每次任选的两个参数,绘制其散点图,利用网格法计算其咒、 h,求点集(冠,h所构成直线斜率绝对值,作为这两个参数间的分形维数。 以东农99—6501小麦籽粒为例,样品数为60粒时其宽度与长度间的计点数M 及兄、n、的值见表2。X^、K的线性回归方程为K=一o.3774冠+ 5.076,相关系数R2一o.9292,方程显著相关。由图2看出,回归方程曲线拟合较好。东农99—6501小麦籽粒的宽度与长度之间的分形维数为o.3774。其他参数间的分形维数计算方法相同。4种小麦籽粒各参数间的分形维数值见表3。 表2东农鲫一6501小麦籽粒宽度长度分形维数 Tab.2 Fractu聆mme瑚iOn betw∞n稍d也眦d Ie唧恤 for wheat kerneb Of n蛆u 99—6501 5.O 4.8 蕾4.6

常见大中功率管三极管参数(精)

常见大中功率管三极管参数 晶体管型号反压Vbe0 电流Icm 功率Pcm 放大系数特征频率管子类型2SD1402 1500V 5A 120W * * NPN 2SD1399 1500V 6A 60W * * NPN 2SD1344 1500V 6A 50W * * NPN 2SD1343 1500V 6A 50W * * NPN 2SD1342 1500V 5A 50W * * NPN 2SD1941 1500V 6A 50W * * NPN 2SD1911 1500V 5A 50W * * NPN 2SD1341 1500V 5A 50W * * NPN 2SD1219 1500V 3A 65W * * NPN 2SD1290 1500V 3A 50W * * NPN 2SD1175 1500V 5A 100W * * NPN 2SD1174 1500V 5A 85W * * NPN 2SD1173 1500V 5A 70W * * NPN 2SD1172 1500V 5A 65W * * NPN 2SD1143 1500V 5A 65W * * NPN 晶体管型号反压Vbe0 电流Icm 功率Pcm 放大系数特征频率管子类型2SD1142 1500V 3.5A 50W * * NPN 2SD1016 1500V 7A 50W * * NPN 2SD995 2500V 3A 50W * * NPN 2SD994 1500V 8A 50W * * NPN 2SD957A 1500V 6A 50W * * NPN 2SD954 1500V 5A 95W * * NPN 2SD952 1500V 3A 70W * * NPN 2SD904 1500V 7A 60W * * NPN 2SD903 1500V 7A 50W * * NPN 2SD871 1500V 6A 50W * * NPN 2SD870 1500V 5A 50W * * NPN 2SD869 1500V 3.5A 50W * * NPN 2SD838 2500V 3A 50W * * NPN 2SD822 1500V 7A 50W * * NPN 2SD821 1500V 6A 50W * * NPN 晶体管型号反压Vbe0 电流Icm 功率Pcm 放大系数特征频率管子类型2SD348 1500V 7A 50W * * NPN 2SC4303A 1500V 6A 80W * * NPN 2SC4292 1500V 6A 100W * * NPN 2SC4291 1500V 5A 100W * * NPN 2SC4199A 1500V 10A 100W * * NPN 2SC3883 1500V 5A 50W * * NPN 2SC3729 1500V 5A 50W * * NPN 2SC3688 1500V 10A 150W * * NPN

集总参数和分布参数

集总参数和分布参数 组成电路模型的元件，都是能反映实际电路中元件主要物理特征的理想元件，由于电路中实际元件在工作过程中和电磁现象有关，因此有三种最基本的理想电路元件：表示消耗电能的理想电阻元件R；表示贮存电场能的理想电容元件C；表示贮存磁场能的理想电感元件L，当实际电路的尺寸远小于电路工作时电磁波的波长时，可以把元件的作用集总在一起，用一个或有限个R、L、C元件来加以描述，这样的电路参数叫做集总参数。而集总参数元件则是每一个具有两个端钮的元件，从一个端钮流入的电流等于从另一个端钮流出的电流；端钮间的电压为单值量。 参数的分布性指电路中同一瞬间相邻两点的电位和电流都不相同。这说明分布参数电路中的电压和电流除了是时间的函数外，还是空间坐标的函数。 一个电路应该作为集总参数电路，还是作为分布参数电路，或者说，要不要考虑参数的分布性，取决于其本身的线性尺寸与表征其内部电磁过程的电压、电流的波长之间的关系。若用 l表示电路本身的最大线性尺寸，用λ表示电压或电流的波长，则当不等式 λ>>l 成立，电路便可视为集总参数电路，否则便需作为分布参数电路处理。电力系统中，远距离的高压电力传输线即是典型的分布参数电路，因50赫芝的电流、电压其波长虽为 6000 千米，但线路长度达几百甚至几千千米，已可与波长相比。通信系统中发射天线等的实际尺寸虽不太长，但发射信号频率高、波长短，也应作分布参数电路处理。 研究分布参数电路时，常以具有两条平行导线、而且参数沿线均匀分布的传输线为对象。这种传输线称为均匀传输线（或均匀长线）。作这样的选择是因为实际应用的传输线可以等效转换成具有两条平行导线形式的传输线，而且这种均匀的传输线容易分析。 传输线是传送能量或信号的各种传输线的总称。其中包括电力传输线、电信传输线、天线等。传输线又称长线。由于它具有在空间某个方向上其长度已可与其内部电压、电流的波长相比拟，而必须考虑参数分布性的特征，所以是典型的分布参数电路。在电路理论中讨论传输线时以均匀传输线作为对象。均匀传输线是指参数沿线均匀分布的二线传输线,其基本参数,或称原参数是R0、L0、C0和G0。其中R0代表单位长度线（包括来线与回线）的电阻；L0代表单位长度来线与回线形成的电感；C0和G0分别代表单位长度来线与回线间的电容和

非线性模型参数估计的遗传算法

滨江学院 毕业论文（设计）题目非线性模型参数估计的遗传算法 院系大气与遥感系 专业测绘工程 学生姓名李兴宇 学号200923500** 指导教师王永弟 职称讲师 二Ｏ一三年五月二十日

- 目录- 摘要 (3) 关键词 (3) 1.引言 (3) 1.1 课题背景 (3) 1.2 国内外研究现状 (4) 1.3 研究的目的和意义 (4) 1.4 论文结构 (5) 2.遗传算法简介 (5) 2.1 遗传算法的起源 (5) 2.2 遗传算法的基本思想 (6) 2.2.1 遗传算法求最优解的一般步骤 (7) 2.2.2 用技术路线流程图形式表示遗传算法流程 (7) 2.3 遗传算法的基本原理及设计 (8) 2.3.1 适应度设计 (8) 2.3.2 遗传算子操作 (9) 3.遗传算法的应用实例 (9) 3.1 非线性模型参数估计 (10) 3.2 实例分析 (10) 4.结语 (12) 参考文献 (12) 英文题目 (14) - 1 -

- 2 - 致谢 (15)

非线性模型参数估计的遗传算法 李兴宇 南京信息工程大学滨江学院测绘工程专业，南京 210044 摘要：关于非线性模型计算中的参数估计是十分棘手的问题，为此常常将这样的问题转化成非线性优化问题解决，遗传算法作为一种具有强适应性的全局搜索方法而被频繁的应用于非线性系统参数估计的计算当中，本文介绍了遗传算法及其理论基础,阐述了遗传算法在非线性模型参数估计中的应用的起源和发展,引入实例说明了遗传算法在非线性模型参数估计的实际运用中的实现，并概述了基于遗传算法的非线性参数模型估计具体解算过程，将使用遗传算法得到的结果与其他算法的解算结果进行比较，结果表明：遗传算法是一种行之有效的搜索算法，能有效得到全局最优解，在今后的研究中值得推广。 关键词：遗传算法非线性模型参数估计应用 1.引言 1.1课题背景 当前科学技术的发展和研究已经进入了进入各个领域、多个学科互相交叉、互相渗透和互相影响的时代，生命科学的研究与工程科学的交叉、渗透和相互补充提高便是其中一个非常典型的例子，同时也表现出了近代科学技术发展的一个新的显著特点。遗传算法研究工作的蓬勃发展以及在各个领域的广泛应用正是体现了科学发展过程的的这一明显的特点和良好的趋势。 非线性科学是一门研究复杂现象的科学，涉及到社会科学、自然科学和工程技术等诸多领域，在测绘学的研究中，尤其是在测量平差模型的研究和计算过程中，大量引入的都是非线性函数方程模型，而对于非线性模型的解算，往往过程复杂。遗传算法的出现为研究工作提供了一种求解多模型、多目标、非线性等复杂系统的优化问题的通用方法和框架。 对于非线性系统的解算，传统上常用的方法是利用其中参数的近似值将非线性系统线性化，也就是线性近似，测绘学中通常称之为线性化，经过线性化之后，将其视为线性模型并利用线性模型的解算方法得到结果，这就很大程度的简化了解算步骤，减少了工作量，但同时会带来新的问题，运用这种传统方法得到的数据结果存在的误差较大、精度不足等问题。利用线性近似方法对非线性模型进行参数估计，精度往往取决于模型的非线性强度。 - 3 -

半导体管特性图示仪的使用和晶体管参数测量

半导体管特性图示仪的使用和晶体管参数测量 一、实验目的 1、了解半导体特性图示仪的基本原理 2、学习使用半导体特性图示仪测量晶体管的特性曲线和参数。 二、预习要求 1、阅读本实验的实验原理，了解半导体图示仪的工作原理以及XJ4810 型半导体管图示仪的各旋钮作用。 2、复习晶体二极管、三极管主要参数的定义。 三、实验原理 （一）半导体特性图示仪的基本工作原理 任何一个半导体器件，使用前均应了解其性能，对于晶体三极管，只要知道其输入、输出特性曲线，就不难由曲线求出它的一系列参数，如输入、输出电阻、电流放大倍、漏电流、饱和电压、反向击穿电压等。但如何得到这两组曲线呢？最早是利用图4-1 的伏安法对晶体管进行逐点测试，而后描出曲线，逐点测试法不仅既费时又费力，而而且所得数据不能全面反映被测管的特性，在实际中，广泛采用半导体特性图示仪测量的晶体管输入、输出特性曲线。 图4-1 逐点法测试共射特性曲线的原理线路用半导体特性图示仪测量晶体管的特性曲线和各种直流参量的基本原理是用图4-2（a）中幅度随时间周期性连续变化的扫描电压UCS代替逐点法中的可调电压EC，用图4-2（b）所示的和扫描电压UCS的周期想对应的阶梯电流iB来代替逐点法中可以逐点改变基极电流的可变电压EB，将晶体管的特性曲线直接显示在示波管的荧光屏上，这样一来，荧光屏上光点位置的坐标便代替了逐点法中电压表和电流表的读数。

1、共射输出特性曲线的显示原理 当显示如图4-3 所示的NPN 型晶体管共发射极输出特性曲线时，图示仪内部和被测晶体管之间的连接方式如图4-4 所示. T是被测晶体管,基极接的是阶梯波信号源,由它产生基极阶梯电流ib 集电极扫描电压UCS直接加到示波器(图示仪中相当于示波器的部分,以下同)的X轴输入端,,经X轴放大器放大到示波管水平偏转板上集电极电流ic经取样电阻R得到与ic成正比的电压,UR=ic,R加到示波器的Y轴输入端,经Y轴放大器放大加到垂直偏转板上.子束的偏转角与偏转板上所加电压的大小成正比,所以荧光屏光点水平方向移动距离代表ic的大小,也就是说,荧光屏平面被模拟成了uce-ic 平面. 图4-4 输出特性曲线显示电路输出特性曲线的显示过程如图4-5 所示 当t=0 时, iB =0 ic=0 UCE =0 两对偏转板上的电压均为零,设此时荧光屏上光点的位置为坐标原点。在0-t1,这段时间内,集电极扫描电压UCS 处于第一个正弦半波周期。

非参数回归模型资料

非参数回归模型

精品资料 仅供学习与交流，如有侵权请联系网站删除 谢谢2 非参数回归模型 非参数回归模型也叫多元回归模型，它是一种脱离于混沌理论的多条路段分析方法。它是对当前路段和几条相邻路段的交通流信息对当前路段进行交通流预测的单条路段分析的扩展。它不需要先验知识，只需要有足够的历史数据即可。它的原理是：在历史数据库中寻找与当前点相似的近邻，并根据这些近邻来预测下一时间段的流量。该算法认为系统所有的因素之间的内在联系都蕴含在历史数据中，因此直接从历史数据中得到信息而不是为历史数据建立一个近似模型。非参数回归最为一种无参数、可移植、预测精度高的算法，它的误差比较小，且误差分布情况良好。尤其通过对搜索算法和参数调整规则的改进，使其可以真正达到实时交通流预测的要求。并且这种方法便于操作实施，能够应用于复杂环境，可在不同的路段上方便地进行预测。能够满足路网上不同路段的预测，避免路段位置和环境对预测的影响。随着数据挖掘技术左键得到人们的认可和国内外学者的大量相关研究，使得非参数回归技术在短时交通流预测领域得到广泛应用。 非参数回归的回归函数()X g Y =的估计值()X g n 一般表示为： ()()∑==n i i i i n Y X W X g 1 其中，Y 为以为广策随机变量；X 为m 维随机变量；（Xi,Yi ）为第i 次观测值，i=1,...,n ；Wi(Xi)为权函数.非参数回归就是对g(X)的形状不加任何限制，即对g （X ）一无所知的情况下，利用观测值（Xi,Yi ），对指定的X 值去估计Y 值。由于其不需要对系统建立精确的数学模型，因此比较适合对事变的、非线性的系统进行预测，符合对城市交通流的预测，同时可以与历史平均模型实现优缺点的互补。 K 近邻法 Friedman 于1977年提出了K 近邻法。其并不是让所有的数据都参与预 测，而是以数据点到X 点的距离为基础，甲醛是只有离X 最近的K 个数据被用来估计相应的g(X)值。可以引入欧式空间距离d ，然后按这个距离将X1，X2，...,Xn 与X 接近的程度重新排序：Xk1,...,Xkn,取权值如下： Wki(X:X1,...,Xn)=ki,i=1,..,n 将与X 最近的前K 个观测值占有最大的权K=1，其余的观测值赋予权值k=0.最终得到应用于短时交通流预测的K 近邻法可表示为：

常见非线性回归模型

常见非线性回归模型 1.简非线性模型简介 非线性回归模型在经济学研究中有着广泛的应用。有一些非线性回归模型可以通 过直接代换或间接代换转化为线性回归模型,但也有一些非线性回归模型却无 法通过代换转化为线性回归模型。 柯布—道格拉斯生产函数模型 y AKL 其中L和K分别是劳力投入和资金投入, y是产出。由于误差项是可加的, 从而也不能通过代换转化为线性回归模型。 对于联立方程模型,只要其中有一个方程是不能通过代换转化为线性,那么这个联立方程模型就是非线性的。 单方程非线性回归模型的一般形式为 y f(x1,x2, ,xk; 1, 2, , p) 2.可化为线性回归的曲线回归 在实际问题当中，有许多回归模型的被解释变量y与解释变量x之间的关系都不是线性的，其中一些回归模型通过对自变量或因变量的函数变换可以转化为

线性关系，利用线性回归求解未知参数，并作回归诊断。如下列模型。 （1）y 0 1e x （2）y 0 1x2x2p x p （3）y ae bx (4)y=alnx+b 对于（1）式，只需令x e x即可化为y对x是线性的形式y01x，需要指出的是，新引进的自变量只能依赖于原始变量，而不能与未知参数有关。 对于（2）式，可以令x1=x,x2=x2,?,x p=x p,于是得到y关于x1,x2,?, x p 的线性表达式y 0 1x12x2 pxp 对与（3）式，对等式两边同时去自然数对数，得lnylnabx ,令 y lny, 0 lna, 1 b，于是得到y关于x的一元线性回归模型： y 0 1x。 乘性误差项模型和加性误差项模型所得的结果有一定差异，其中乘性误差项模型认为yt本身是异方差的，而lnyt是等方差的。加性误差项模型认为yt是等 方差的。从统计性质看两者的差异，前者淡化了y t值大的项（近期数据）的作用， 强化了y t值小的项（早期数据）的作用，对早起数据拟合得效果较好，而后者则 对近期数据拟合得效果较好。 影响模型拟合效果的统计性质主要是异方差、自相关和共线性这三个方面。 异方差可以同构选择乘性误差项模型和加性误差项模型解决，必要时还可以使用 加权最小二乘。

围岩强度和变形参数的分布特征及可靠性分析

2010年11月 Rock and Soil Mechanics Nov. 2010 收稿日期：2010-05-12 基金项目：国家自然科学基金资助项目（No. 40872178）；上海市重点学科建设项目资助（No. B308）。 第一作者简介：闫春岭，男，1975年生，博士研究生，讲师，主要从事岩土力学及工程地质方面的研究与教学。 文章编号：1000－7598 (2010)增刊2－0349－06 围岩强度和变形参数的分布特征及可靠性分析 闫春岭1, 2，丁德馨3，唐益群1, 2，毕忠伟3 （1. 同济大学 岩土及地下工程教育部重点实验室，上海 200092，2. 同济大学 地下建筑与工程系，上海 200092； 3. 南华大学 核资源与安全工程学院，湖南 衡阳 421001） 摘 要：从康家湾铅锌金矿Ⅲ-1号矿体上盘围岩取大量岩样，分别加工制作了50个压缩和拉伸试验的试样。利用RMT-150B 伺服试验系统对试样进行单轴抗压、抗拉试验，各获得了50个试验结果。采用假设检验法，分别对50个单轴抗压强度和50个抗拉强度进行检验，结果表明，它们分别服从正态分布和对数正态分布；对50个E 、μ和50个C 、?，进行不放回抽样，组成50组E 、μ、C 、?。利用FLAC 计算软件，对硐室围岩中的应力进行了计算，分别获得了50个最大主应力和50个最小主应力；采用同样假设检验法，证明它们分别服从对数正态和正态分布；根据单轴抗压、抗拉强度及围岩中的最大主应力、最小主应力概率密度函数，计算了硐室围岩不发生拉伸破坏和压缩破坏的可靠度；并对硐室围岩抗剪强度的校核，得出了该地下硐室围岩稳定的结论。 关 键 词：可靠性；围岩；力学参数；概率分布 中图分类号：TU 458 文献标识码：A Probability distribution of strength parameters and deformation parameters of surrounding rock and reliability analysis YAN Chun-ling 1, 2，DING De-xin 3，TANG Yi-qun 1, 2，BI Zhong-wei 3 (1. Key Laboratory of Geotechnical and Underground Engineering of Ministry of Education, Tongji University ，Shanghai 200092, China; 2. Department of Geotechnical Engineering, Tongji University, Shanghai 200092, China; 3. School of Nuclear Resources and Safety Engineering, University of South China, Hengyang, Hunan 421001, China) Abstract: Cores were taken from hanging wall of the Ⅲ-1 ore body at Kangjiawan Lead ，Zink and Gold Mine. 50 samples for compression tests and 50 samples for tension tests were fabricated. And 50 compressive strength values and 50 tensile strength values were obtained by using the electro-hydraulic and servo-controlled testing system RMT-150B. The probability distributions for the compressive strength and tensile strength were tested by using the obtained compressive strength values and tensile strength values and the hypothesis test method. It is shown that the uniaxial compressive strength follows normal distribution; and uniaxial tensile strength follows the lognormal distribution. It composes of 50 groups of E , μ, C , ? by random sampling to 50E , μand 50 C , ? without replacement. The stress of surrounding rock was calculated by using FLAC and 50 maximum values and 50 minimum values were respectively gained. The results show the former follows lognormal distribution and the latter follows normal distribution. The reliability of surrounding rock without tensile and compression failure was calculated under uniaxial compressive, tensile strength and probability density function of maximum and minor principal stress. Shear strength and the stability of surrounding rock were checked. Key words: reliability; surrounding rock mass; mechanical parameters; probability distribution 1 引 言 岩土工程的可靠度研究开始于20世纪50年代后期[1]。1956年Casagrande [2]提出了土工和基础工程中计算风险的问题，在岩土工程领域中最早论述了风险问题，直到60年代才有较多的人注意这方面 的研究。大量的报导出现在70年代，可靠度研究取得了很大的进展，Meyerhof 、Lumo 和Wu 等[3]都研究了岩土工程中安全系数与失效概率的关系，讨论岩土变异性对失效概率的影响；松尾稔[4]系统地论述了可靠度设计的现状和发展可靠度设计需要解决的问题；Harr 在他所著的Mechanics of Particulate

非线性模型参数估计的EViews操作

非线性模型参数估计的EViews 操作 例3.5.2 建立中国城镇居民食品消费需求函数模型。根据需求理论，居民对食品的消费需求函数大致为: ()01,,f P P X Q =。 其中，Q 为居民对食品的需求量，X 为消费者的消费支出总额，P1为食品价格指数，P0为居民消费价格总指数。 表3.5.1 中国城镇居民消费支出及价格指数 单位：元 资料来源：《中国统计年鉴》（1990~2007） 估计双对数线性回归模型μββββ++++=031210n n n P L LnP X L Q L 对应的非线性模型： 3 21 1ββ βP P AX Q = 这里需要将等式右边的A 改写为0 e β。取0β，1β，2β，3β的初值均为1。

Eviews操作： 1、打开EViews，建立新的工作文档：File-New-Workfile，在Frequency选择Annual，在Start date输入“1985”，End date输入“2006”，确认OK。 2、输入样本数据：Object-New Object-Group，确认OK，输入样本数据。 图1 3、设置参数初始值：在命令窗口输入“param c(1) 1 c(2) 1 c(3) 1 c(4) 1”，回车确认。 4、非线性最小二乘法估计（NLS）：Proc-Make Equation，在NLS估计的方程中写入Q=EXP(C(1))*X^C(2)*P1^C(3)*P0^C(4)，方程必须写完整，不能写成Q C(1) X P1 P0。确定输出估计结果：

图2 NLS注意事项： 1).参数初始值: 如果参数估计值出现分母为0等情况将导致错误，解决办法是：手工设定参数的初始值及范围，比如生产函数中的c(2)肯定是介于0-1之间的数字。 eviews6.0中并没有start 的选项，只有iteration的次数和累进值得选择。只能通过param c(1) 0.5 c(2) 0.5来设置。 2).迭代及收敛 eviews用Gauss Seidel迭代法求参数的估计值。迭代停止的法则：基于回归函数或参数在每次迭代后的变化率，当待估参数的变化百分比的最大值小于事先给定的水平时，就会停止迭代。当迭代次数到了迭代的最大次数时也会停止，或者迭代过程中发生错误也会停止。

非参数回归模型

非参数回归模型 非参数回归模型也叫多元回归模型，它是一种脱离于混沌理论的多条路段分析方法。它是对当前路段和几条相邻路段的交通流信息对当前路段进行交通流预测的单条路段分析的扩展。它不需要先验知识，只需要有足够的历史数据即可。它的原理是：在历史数据库中寻找与当前点相似的近邻，并根据这些近邻来预测下一时间段的流量。该算法认为系统所有的因素之间的内在联系都蕴含在历史数据中，因此直接从历史数据中得到信息而不是为历史数据建立一个近似模型。非参数回归最为一种无参数、可移植、预测精度高的算法，它的误差比较小，且误差分布情况良好。尤其通过对搜索算法和参数调整规则的改进，使其可以真正达到实时交通流预测的要求。并且这种方法便于操作实施，能够应用于复杂环境，可在不同的路段上方便地进行预测。能够满足路网上不同路段的预测，避免路段位置和环境对预测的影响。随着数据挖掘技术左键得到人们的认可和国内外学者的大量相关研究，使得非参数回归技术在短时交通流预测领域得到广泛应用。 非参数回归的回归函数()X g Y =的估计值()X g n 一般表示为： ()()∑==n i i i i n Y X W X g 1 其中，Y 为以为广策随机变量；X 为m 维随机变量；（Xi,Yi ）为第i 次观测值，i=1,...,n ；Wi(Xi)为权函数.非参数回归就是对g(X)的形状不加任何限制，即对g （X ）一无所知的情况下，利用观测值（Xi,Yi ），对指定的X 值去估计Y 值。由于其不需要对系统建立精确的数学模型，因此比较适合对事变的、非线性的系统进行预测，符合对城市交通流的预测，同时可以与历史平均模型实现优缺点的互补。 K 近邻法 Friedman 于1977年提出了K 近邻法。其并不是让所有的数据都参与预测，而是以数据点到X 点的距离为基础，甲醛是只有离X 最近的K 个数据被用来估计相应的g(X)值。可以引入欧式空间距离d ，然后按这个距离将X1，X2，...,Xn 与X 接近的程度重新排序：Xk1,...,Xkn,取权值如下： Wki(X:X1,...,Xn)=ki,i=1,..,n 将与X 最近的前K 个观测值占有最大的权K=1，其余的观测值赋予权值k=0.最终得到应用于短时交通流预测的K 近邻法可表示为： ()()()()K t V t V g t V K i i ∑=+==+111

第7章 非线性模型参数估值

第7章 非线性模型参数估值 7.1 引言 数学模型是观测对象各影响因素相互关系的定量描述。在获得实验数据并做了整理之后，就要建立数学模型。这一工作在科学研究中有着十分重要的意义。 人们选用的模型函数可以是经验的，可以是半经验的，也可以是理论的。模型函数选定之后，需要对其中的参数进行估值并确定该估值的可靠程度。对于线性模型，待求参数可用线性最小二乘法求得，即用前一章中介绍的确定线性回归方程的方法。对于非线性模型，通常是通过线性化处理而化为线性模型，用线性最小二乘法求出新的参数，从而再还原为原参数。这种方法在处理经验模型时，简便易行，具有一定的实用价值。但要注意到，这样做是使变换后的新变量y '的残差平方和(即剩余平方和)最小，这并不能保证做到使原变量y 的残差平方和也达最小值。因此，得到的参数估计值就不一定是最佳的估计值。可见在求理论模型的参数时，这种线性化的方法尚有其不足之处。此外，还有些数学模型无法线性化，所以用线性化的方法是行不通的。为此，需要一种对非线性模型通用的(不管是经验模型还是理论模型，不管这个模型能否线性化)，能够得到参数最佳估计值的参数估计方法。 在工程中，特别是在化学工程中的数学模型大多是非线性、多变量的。设y ?为变量x 1，x 2，…，x p ，的函数，含有m 个参数b 1，b 2，…，b m ，则非线性模型的一般形式可表示为: =y ?f （x 1，x 2，…，x p ；b 1，b 2，…，b m ） (7.1) 或写为 ),(?b x f y = (7.2) 式中x 为p 维自变量向量，b 为m 维参数向量。 设给出n 组观测数据 x 1 ，x 2 ，… ，x n y 1 ，y 2 ，… ，y n 我们的目的是由此给出模型式(7.2)中的参数b 的最佳估计值。可以证明，这个最佳估计值就是最小二乘估计值。 按最小二乘法原理，b 应使Q 值为最小，即 ∑==-=n i i i y y Q 12min )?( 或写成 ∑==-=n i i i f y Q 1 2min )],([b x (7.3) 现在的问题是根据已知的数学模型和实验数据,求出使残差平方和最小,即 目标函数式(7.3)取极小值时的模型参数向量b 。这显然是一个最优化的数学问题,可以采用逐次逼近法求解。这种处理方法实质上是逐次线性化法或某种模式的搜索法。在下面各节中将介绍几个适用方法。

(整理)常用晶体管参数表

常用晶体管参数表 索引晶体管型号反压Vbeo 电流Icm 功率Pcm 放大系数特征频率管子类型9011 50V 0.03A 0.4W * 150MHZ NPN 9012 50V 0.5A 0.6W * * PNP 9013 50V 0.5A 0.6W * * NPN 9014 50V 0.1A 0.4W * 150MHZ NPN 9015 50V 0.1A 0.4W * 150MHZ PNP 9018 30V 0.05A 0.4W * 1GHZ NPN 2N2222 60V 0.8A 0.5W 45 * NPN 2N2369 40V 0.5A 0.3W * 800MHZ NPN 2N2907 60V 0.6A 0.4W 200 * NPN 2N3055 100V 15A 115W * * NPN2N 2N3440 450V 1A 1W * * NPN 2N3773 160V 16A 150W * * NPN 2N5401 160V 0.6A 0.6W * 100MHZ PNP 2N5551 160V 0.6A 0.6W * 100MHZ NPN 2N5685 60V 50A 300W * * NPN 2N6277 180V 50A 300W * * NPN 2N6678 650V 15A 175W * * NPN 2SA 2SA1009 350V 2A 15W ** PNP 2SA1012Y 60V 5A 25W ** PNP 2SA1013R 160V 1A 0.9W * * PNP 2SA1015R 50V 0.15A 0.4W * * PNP 2SA1018 150V 0.07A 0.75W * * PNP 2SA1020 50V 2A 0.9W * * PNP 2SA1123 150V 0.05A 0.75W * * PNP 2SA1162 50V 0.15A 0.15W * * PNP 2SA1175H 50V 0.1A 0.3W * * PNP 2SA1216 180V 17A 200W * * PNP 2SA1265 140V 10A 30W ** PNP 2SA1266Y 50V 0.15A 0.4W * * PNP 2SA1295 230V 17A 200W * * PNP 2SA1299 50V 0.5A 0.3W * * PNP 2SA1300 20V 2A 0.7W * * PNP 2SA1301 200V 10A 100W * * PNP 2SA1302 200V 15A 150W * * PNP 2SA1304 150V 1.5A 25W ** PNP 2SA1309A 25V 0.1A 0.3W * * PNP 2SA1358 120V 1A 10W *120MHZ PNP 2SA1390 35V 0.5A 0.3W * * PNP 2SA1444 100V 1.5A 2W * 80MHZ PNP 2SA1494 200V 17A 200W * 20MHZ PNP 2SA1516 180V 12A 130W * 25MHZ PNP

非参数回归模型与半参数回归模型

第七章 非参数回归模型与半参数回归模型 第一节 非参数回归与权函数法 一、非参数回归概念 前面介绍的回归模型，无论是线性回归还是非线性回归，其回归函数形式都是已知的，只是其中参数待定，所以可称为参数回归。参数回归的最大优点是回归结果可以外延，但其缺点也不可忽视，就是回归形式一旦固定，就比较呆板，往往拟合效果较差。另一类回归，非参数回归，则与参数回归正好相反。它的回归函数形式是不确定的，其结果外延困难，但拟合效果却比较好。 设Y 是一维观测随机向量，X 是m 维随机自变量。在第四章我们曾引进过条件期望作回归函数，即称 g (X ) = E (Y |X ) （7.1.1） 为Y 对X 的回归函数。我们证明了这样的回归函数可使误差平方和最小，即 22)]([min )]|([X L Y E X Y E Y E L -=- （7.1.2） 这里L 是关于X 的一切函数类。当然，如果限定L 是线性函数类，那么g (X )就是线性回归函数了。 细心的读者会在这里立即提出一个问题。既然对拟合函数类L (X )没有任何限制，那么可以使误差平方和等于0。实际上，你只要作一条折线(曲面)通过所有观测点(Y i ，X i )就可以了是的，对拟合函数类不作任何限制是完全没有意义的。正象世界上没有绝对的自由一样，我们实际上从来就没有说放弃对L(X)的一切限制。在下面要研究的具体非参数回归方法，不管是核函数法，最近邻法，样条法，小波法，实际都有参数选择问题(比如窗宽选择，平滑参数选择)。 所以我们知道，参数回归与非参数回归的区分是相对的。用一个多项式去拟合(Y i ，X i )，属于参数回归；用多个低次多项式去分段拟合(Y i ，X i )，叫样条回归，属于非参数回归。 二、权函数方法 非参数回归的基本方法有核函数法，最近邻函数法，样条函数法，小波函数法。这些方法尽管起源不一样，数学形式相距甚远，但都可以视为关于Y i 的线性组合的某种权函数。也就是说，回归函数g (X )的估计g n (X )总可以表为下述形式： ∑==n i i i n Y X W X g 1 )()( （7.1.3）

非线性模型参数估计方法步骤

EViews非线性模型参数估计方法步骤 1.新建EViews工作区，并将时间序列X、P1和P0导入到工作区； 2.设定参数的初始值全部为1，其方法是在工作区中其输入下列命令 并按回车键 param c(1) 1 c(2) 1 c(3) 1 c(4) 1 3.估计非线性模型参数，其方法是在工作区中其输入下列命令并按 回车键 nls q=exp(c(1))*x^c(2)*p1^c(3)*p0^c(4) 4.得到结果见table01（91页表3. 5.4结果）（案例一结束） Dependent Variable: Q Method: Least Squares Date: 03/29/15 Time: 21:44 Sample: 1985 2006 Included observations: 22 Convergence achieved after 9 iterations Q=EXP(C(1))*X^C(2)*P1^C(3)*P0^C(4) Coefficient Std. Error t-Statistic Prob. C(1) 5.567708 0.083537 66.64931 0.0000 C(2) 0.555715 0.029067 19.11874 0.0000 C(3) -0.190154 0.143823 -1.322146 0.2027 C(4) -0.394861 0.159291 -2.478866 0.0233 R-squared 0.983631 Mean dependent var 1830.000 Adjusted R-squared 0.980903 S.D. dependent var 365.1392 S.E. of regression 50.45954 Akaike info criterion 10.84319 Sum squared resid 45830.98 Schwarz criterion 11.04156 Log likelihood -115.2751 Hannan-Quinn criter. 10.88992 Durbin-Watson stat 0.672163 （92页表3.5.5结果）（案例二过程） 5.新建EViews工作区，并将时间序列X、P1和P0导入到工作区；

粒度参数特征

2）粒度参数 碎屑粒度分析数据主要用于分析岩石的沉积环境及沉积条件，主要参数包括粒 度中值、偏度、峰度、标准偏差、分选系数等。 粒度中值是选取样品中的一个粒度值，大于此粒度值的颗粒数占50%，小于此 粒度值的颗粒数也占50%，于是我们就称这个粒度值为粒度中值。粒度累积 分选系数指粒度累积曲线上25％和75％处所对应的颗粒直径的比值。是表示 碎屑沉积物(岩)分选性的一种参数。其公式为： 式中：So——分选系数，无因次： P25——累计曲线上的25％处对应的颗粒直径，mm； R75——累计曲线上75％处对应的颗粒直径，mm。。 当颗粒分选很好时，P25和P75两值很靠近，所以SO值就接近于1。 以每个直线段的陡缓反映分选好坏。线段陡（＞500～600）分选好，线段 平缓（200～300）分选差。 标准偏差标准偏差越小，这些值偏离平均值就越少，分选越好。 φ16、φ50和φ84分别代表累积曲线上百分含量为16%、50%、84%三处的粒径（φ值）。 偏度、峰度更能反映尾部变化。中央组分代表了原沉积环境的分选性，而尾部反映 后期沉积环境对沉积物的改造。若中央峰值高，展开度窄，说明分选好。 偏度是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度 的数字特征。 又称峰态系数。表征概率密度分布曲线在平均值处峰值高低的特征数。直 观看来，峰度反映了尾部的厚度。 （1）砾岩粒度参数特征

（2）砂岩粒度参数特征 （3）粉砂岩粒度参数 区别：该事件实际发生的次数与试验总次数的比值。由于观察的时间有长短，随机事件的发生与否也有随机性，所以在不同的试验中，同一个事件发生的频率可 以彼此不相等。.概率被用来表示一个事件发生的可能性的大小。如果一个事件是必然事件，它发生的概率就是1，例如：抛掷一枚均匀的硬币，硬币落地后“正面1 朝上”的概率是1/2。当试验次数较少的时候，“正面朝上”的频率有可能是0，也 有可能是l或其它数，但是经过多次重复试验后，“正面朝上”的频率会稳定在1/2。 频率与概率的联系即用频率来估计概率。谁也无法预测随机事件在每次试验中是否会发生，但是在相同的条件下进行多次重复试验后，事件出现的频率会逐渐稳定，稳定后的频率可以作为概率的估计值。反之，如果知道一个事件发生的概率， 就可以由此推断：在多次重复试验后该事件发生的频率将接近其概率。但是：用试 验的方法得出的频率只是概率的估计值，要想得到近似程度较高的概率估计值，通 常需要经过大量的重复试验。 （三）粒度曲线和粒度参数 常用的粒度曲线包括：直方图、频率曲线、累积曲线、概率累积 曲线。

常用场效应管和晶体管参数大全

常用场效应管和晶体管参数大全 常用场效应管和晶体管参数大全 IRFU020 50V 15A 42W * * NMOS场效应IRFPG42 1000V 4A 150W * * NMOS场效应IRFPF40 900V 4.7A 150W * * NMOS场效应IRFP9240 200V 12A 150W * * PMOS场效应IRFP9140 100V 19A 150W * * PMOS场效应IRFP460 500V 20A 250W * * NMOS场效应IRFP450 500V 14A 180W * * NMOS场效应IRFP440 500V 8A 150W * * NMOS场效应IRFP353 350V 14A 180W * * NMOS场效应IRFP350 400V 16A 180W * * NMOS场效应IRFP340 400V 10A 150W * * NMOS场效应IRFP250 200V 33A 180W * * NMOS场效应IRFP240 200V 19A 150W * * NMOS场效应IRFP150 100V 40A 180W * * NMOS场效应IRFP140 100V 30A 150W * * NMOS场效应IRFP054 60V 65A 180W * * NMOS场效应IRFI744 400V 4A 32W * * NMOS场效应IRFI730 400V 4A 32W * * NMOS场效应IRFD9120 100V 1A 1W * * NMOS场效应IRFD123 80V 1.1A 1W * * NMOS场效应IRFD120 100V 1.3A 1W * * NMOS场效应IRFD113 60V 0.8A 1W * * NMOS场效应IRFBE30 800V 2.8A 75W * * NMOS场效应IRFBC40 600V 6.2A 125W * * NMOS场效应IRFBC30 600V 3.6A 74W * * NMOS场效应IRFBC20 600V 2.5A 50W * * NMOS场效应IRFS9630 200V 6.5A 75W * * PMOS场效应IRF9630 200V 6.5A 75W * * PMOS场效应IRF9610 200V 1A 20W * * PMOS场效应IRF9541 60V 19A 125W * * PMOS场效应IRF9531 60V 12A 75W * * PMOS场效应IRF9530 100V 12A 75W * * PMOS场效应IRF840 500V 8A 125W * * NMOS场效应IRF830 500V 4.5A 75W * * NMOS场效应IRF740 400V 10A 125W * * NMOS场效应IRF730 400V 5.5A 75W * * NMOS场效应IRF720 400V 3.3A 50W * * NMOS场效应IRF640 200V 18A 125W * * NMOS场效应IRF630 200V 9A 75W * * NMOS场效应IRF610 200V 3.3A 43W * * NMOS场效应IRF541 80V 28A 150W * * NMOS场效应