课程文献中心 更多>>

关键词： 食品抽样   误差   抽样方法  

摘要： 食品安全一直是公众关注的重点,食品质量检测在保障食品安全中起着重要作用。抽样作为质量检测的基础,其准确性直接影响到检测结果的可靠性。然而,在实际抽样过程中,常常会由于多种因素引发误差,准确的抽样方法是确保食品检测结果科学、公正的关键。文章主要研究了食品抽样误差来源以及精准抽样方法,旨在有效减少误差,确保检测结果的可靠性。

关键词： 核桃   风选   高速摄像   悬浮速度   区间估计  

摘要： 壳仁分离是核桃深加工的首要环节,针对核桃壳仁物料较不规则、空气动力学关键参数难以准确测量等问题,该研究采用仿真分析与区间估计相结合的方法,研究核桃壳仁物料的气动特性并进行试验。首先,采用CFDDEM(Computational fluid dynamics,Discrete element method)方法仿真模拟了壳仁物料在气流中的运动,根据壳仁物料的运动轨迹和流场的流速分布,得出了二分壳、四分壳、八分壳、二分仁、四分仁、八分仁,6类物料的仿真悬浮速度范围。其次,以仿真结果为参考搭建试验台架,在台架试验中利用高速摄像技术记录壳仁物料的运动情况,并对物料在不同风速区间内的分布情况进行统计分析,经K-S检验,腔体内6类物料在气流中的位置分布均呈正态分布。最后,基于各类物料统计数据进行高斯拟合,并根据区间估计方法统计得出各类物料的悬浮速度范围为:二分壳7.25~9.50 m/s、四分壳6.90~8.95 m/s、八分壳6.20~7.75 m/s、二分仁9.20~14.85 m/s、四分仁9.60~14.55 m/s、八分仁9.30~11.45 m/s。通过对试验结果的分析,得到壳仁风选设备的较佳风选速度范围为9.0~9.4 m/s;同时,对悬浮速度的理论计算公式进行了修正,得到适用于漾濞核桃的形状修正系数为:二分壳3.82、四分壳3.06、八分壳2.80、二分仁1.49、四分仁1.12、八分仁1.17。此外,结合仿真和台架试验,研究分析了壳仁堆叠现象的成因及其对风选分离效果的潜在影响。研究表明:通过增加壳、仁物料在气流中的旋转运动,可减少堆叠现象的发生,有助于提升壳仁分离效率。该研究提出的悬浮速度区间估计方法可为不规则农业物料的气动特性分析及其关键参数测量提供参考。

关键词： 锂电池   健康状态   高斯过程回归   区间估计   组合核函数  

摘要： 锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定性,近年来在锂电池SOH区间估计中得到广泛应用。然而,GPR的性能很大程度上取决于其核函数的选择,当前研究多凭借经验选用固定单一核函数,无法适应不同的数据集。为此,本文提出一种基于自适应最优组合核函数GPR的锂电池SOH区间估计方法。该方法首先从电池充放电数据中提取出多个健康因子(health factor, HF),并采用皮尔森相关系数法优选出6个与SOH高度相关的健康因子作为模型的输入。然后,在当前常用的7个核函数集合上,通过两两随机组合构造新的组合核函数,并利用交叉验证自适应优选出最优组合核函数。采用3个不同数据集对所提方法进行了验证,结果表明:本文方法具有出色的SOH区间估计性能。在3个公开数据集上,平均区间宽度指标在0.0509以内,平均区间分数大于-0.0004,均方根误差小于0.0181。

关键词： Python语言   概率分布   参数估计   区间估计  

摘要： Python是一种解释型的高级语言,具备入门容易,资源丰富和开源等特点。Python有很多免费的科学计算与数据分析方面的库,其中一些库能够用来处理概率论当中的问题。论文给出了应用Python程序画出离散型和连续性概率分布图的例子,还例举了Python用于参数估计和区间估计的代码及计算结果。概率论与Python都是理工科专业的必修课,将Python应用于概率论问题的解决,可以同时促进对这两门课程知识的理解和掌握。

摘要： ~~

关键词： 无模型子抽样   空间填充设计   均匀投影准则   中心L2偏差  

摘要： 在大数据时代,数据规模呈指数级增长,对存储、计算与分析能力提出了严峻挑战。传统数据分析方法因计算复杂度高,难以有效处理超大规模数据。子抽样方法通过提取具有代表性的子数据集降低计算负担,成为应对这一挑战的重要途径。然而,现有子抽样方法多依赖固定的模型假设,在模型误设或数据存在复杂非线性关系时,其鲁棒性较弱。试验设计中空间填充设计无需模型假设,若子数据满足空间填充原则,可进一步提升其鲁棒性。 本文提出了一种基于均匀投影分层的鲁棒子抽样方法,并设计了三种子数据选择算法(PUS、MPUS、EPUS)。该方法的核心思想是基于均匀投影设计的空间填充准则,选择在低维投影下具有均匀性的子数据集,以提升子数据集在模型估计上的鲁棒性。具体而言,PUS算法采用均匀投影分层策略,从数据集中选取子数据,使其在低维投影空间中保持均匀分布。MPUS和EPUS算法在PUS的基础上进一步借鉴强度为2+的强正交表的结构,在不同规模的原始数据集中选择兼具均匀性和代表性的子数据集,从而增强算法在不同数据环境下的适用性。 与传统子抽样方法相比,本文所提出的方法能够有效避免因数据点分布不均导致的信息损失,提高子数据对原始数据集的代表性,并增强在模型误设情况下的鲁棒性。为了验证本文提出的子抽样方法我们在多个模拟数据集上对PUS、MPUS和EPUS算法进行了评估,并与基于信息的最优子数据选择方法(IBOSS)和对模型具有鲁棒性的子数据选择方法(MR)进行了对比实验。 结果表明,在正态分布、指数分布等多种数据分布下,以及不同维度设定条件下,本文所提出的方法均能显著降低均方误差和均方预测误差,并在均匀投影准则和中心L2偏差准则方面表现出较优性能。为进一步验证其在实际问题中的应用价值,我们将本文提出的方法应用于工程领域的钻孔函数模型及生物信息学中的蛋白质结构建模。实验结果表明,PUS、MPUS和EPUS算法能够更准确地提取关键信息,并在模型误设的情况下依然保持良好的预测性能,进一步证明了本文提出方法的实际适用性与鲁棒性。 综上所述,本文提出的基于均匀投影分层的子抽样方法,在大数据分析背景下实现了高效且鲁棒的子数据集选择,为大规模数据分析提供了一种可靠的解决方案。

摘要： 在数字化浪潮的全面冲击下，审计领域正发生着深刻变革。大数据环境下，数据规模呈现出指数级增长且类型多样的特征，传统的审计抽样方式已难以满足复杂的审计需求。怎样将大数据技术和审计抽样方法相结合，已成为提高审计效率与质量的重点。本文从追溯理论基础，到分析关键支撑要素，再到探寻系统性的融合路径所开展的一系列研究，皆旨在为大数据时代审计实践的转型提供新的思路与方向。

关键词： 定量包装商品   OIML R87-2016   统计抽样   区间估计   置信区间  

摘要： 国际建议OIML R87-2016《预包装商品的量》是我国制定JJF1070-2023《定量包装商品净含量计量检验规则》的重要技术依据。文章简要阐述了OIML R87-2016中关于定量包装商品的平均实际含量的计量要求以及采用统计抽样计量检验应满足的条件，分析了OIML R87-2016抽样方案中关于总体均值的区间估计原理与方法。依据规定的显著性水平和合格质量水平确定合格检验批其总体均值的单侧置信区间，得到样本均值的临界值和样本修正因子。通过规定的使用方风险和使用方风险质量确定不合格检验批其总体均值的单侧置信区间。结合统计抽样下两种风险的要求，可确定标准型一次抽样方案其样本量应满足的统计数学原理。

关键词： 个体处理效应   分割保形推断   最优传输   人口统计均等  

摘要： 因果推断近年来已成为统计学和机器学习领域的重要研究方向,其中个体处理效应的推断在医疗决策、教育干预、社会政策评估等领域具有广泛的应用价值。同时,随着机器学习方法在因果推断研究中的应用不断深入,因果推断中的公平性问题也受到许多的关注。目前,因果推断领域的公平性研究主要集中在反事实公平框架,通过特定算法调整预测结果,以减少敏感变量带来的不公平影响。然而现有方法仍存在诸多不足,尤其是个体处理效应的公平推断方面的相关研究较为有限。因此本文主要研究在潜在结果框架下对个体处理效应进行公平推断。 本文受保形推断算法的启发,为个体处理效应构造符合人口统计均等的预测区间,即预测区间的上下界分别在不同敏感属性下具有相似的分布。本文将一种以最优传输为理论基础的后处理分位数公平算法用于保形推断,构建了一个两阶段算法:第一阶段开发了公平加权分割保形分位数回归算法,该算法通过对不一致分数加权应对协变量偏移,并且用后处理方法将分位数估计调整为符合人口统计均等的分位数估计,从而为反事实结果构造公平预测区间;第二阶段在公平的反事实结果预测区间基础上,进一步采用精确方法、非精确方法及朴素方法构造个体处理效应的公平预测区间。其中精确方法利用二次保形推断提供覆盖率的理论保证。为了验证本文方法的有效性,本文通过数值模拟和实证分析,在多种方法下对比了预测区间的覆盖率、长度、区间上下界的KS距离指标,综合评估了本文方法在准确性和公平性方面的表现。其中数值模拟通过两种数据设置验证了该方法在不同的协变量分布及处理分配场景下都能为反事实结果构造保证覆盖率和人口统计均等公平的区间,实证研究则基于NLSM数据集验证了该方法可以实现对个体处理效应的公平区间估计。 本文在理论和应用层面均具有重要意义。理论方面,本文在个体处理效应估计中实现人口统计均等公平,拓展了因果推断与公平机器学习的交叉研究领域。应用方面,本方法能够减少系统性偏见,使决策更加公平可靠,适用于医疗、教育、社会政策等多个领域,为政策制定提供更具合理性的支持。本文创新点包括:(1)将后处理公平算法用于反事实结果和个体处理效应的估计;(2)与以往的点估计不同,本文实现了对于个体处理效应的公平区间估计。