期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
多维局部平稳高斯过程最大值的联合渐近分布
被引量：
1
1
作者
杨春华
彭作祥
《应用概率统计》
CSCD
北大核心
2008年第2期148-156,共9页
{(X_1(t),…,X_p(t)),0≤t≤T}为p维局部平稳高斯过程,具有渐近中心化的均值m_k(t)和常数的方差,M_k(T)=sup{X_k(t),0≤t≤T},k=1,…,p,当T→∞时,本文在一定条件下获得了M(T)=(M_1(T),…,M_p(T))的联合渐近分布.
关键词
多维高斯过程
局部平稳
高斯
过程
最大值
在线阅读
下载PDF
职称材料
基于纵向激励的驾驶习性分类及辨识方法
2
作者
孙博华
邓伟文
+3 位作者
何睿
吴坚
李雅欣
边宁
《华南理工大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2019年第11期33-43,共11页
为使先进驾驶人辅助系统更具人性化及个性化,提高智能车辆的驾乘安全性和舒适性,提出一种基于纵向激励工况的驾驶习性分类及辨识方法.以前车车速信号的周期性及突变性为依据,设计6种前车典型纵向激励工况,并通过实车道路试验完成64位驾...
为使先进驾驶人辅助系统更具人性化及个性化,提高智能车辆的驾乘安全性和舒适性,提出一种基于纵向激励工况的驾驶习性分类及辨识方法.以前车车速信号的周期性及突变性为依据,设计6种前车典型纵向激励工况,并通过实车道路试验完成64位驾驶人的数据采集.然后,采用客观粒子群聚类和主观量表分析相结合的分类方式,实现典型驾驶习性的分类和习性类型的定义.比较各工况下的分类结果,确定纵向最优激励工况组为正弦工况3和阶跃工况3.建立基于多维高斯隐马尔科夫过程的驾驶习性辨识模型,依据辨识准确率得到最优模型输入信号组,利用正交试验法优化模型中的关键参数.结果表明,基于纵向激励的驾驶习性分类及辨识方法能够得到更好的分类和辨识准确率.
展开更多
关键词
车辆工程
驾驶习性
粒子群聚类
多维
高斯
隐马尔科夫
过程
先进驾驶人辅助系统
在线阅读
下载PDF
职称材料
联合MRGP和PSO的工业机器人驱动器可靠性分析
3
作者
曾颖
李彦锋
+2 位作者
王弘毅
钱华明
黄洪钟
《系统工程与电子技术》
EI
CSCD
北大核心
2023年第8期2643-2650,共8页
作为工业机器人的核心部件之一,驱动器失效频发,失效模式多样且具有一定相关性,给工业机器人的正常工作带来了严峻挑战。同时,工业机器人驱动器各失效模式的极限状态方程复杂,甚至一些为隐函数,这也造成了工业机器人驱动器可靠性建模的...
作为工业机器人的核心部件之一,驱动器失效频发,失效模式多样且具有一定相关性,给工业机器人的正常工作带来了严峻挑战。同时,工业机器人驱动器各失效模式的极限状态方程复杂,甚至一些为隐函数,这也造成了工业机器人驱动器可靠性建模的困难。为此,本文引入多维响应高斯过程(multiple response Gaussian process,MRGP)模型来刻画驱动器内各失效模式间的相关性及其极限状态方程,同时引入粒子群优化(particle swarm optimization,PSO)算法优化MRGP模型中的超参数,结合主动学习策略,对MRGP模型进行更新迭代,直至其满足一定精度条件,形成基于MRGP-PSO的工业机器人驱动器可靠性分析方法。最后开展相关算例分析,验证了所提方法的有效性。
展开更多
关键词
工业机器人
驱动器
多维
响应
高斯
过程
粒子群优化算法
可靠性分析
在线阅读
下载PDF
职称材料
题名
多维局部平稳高斯过程最大值的联合渐近分布
被引量：
1
1
作者
杨春华
彭作祥
机构
渝西学院数学系
西南师范大学数学系
出处
《应用概率统计》
CSCD
北大核心
2008年第2期148-156,共9页
基金
国家自然科学基金资助(批准号:70371061)
重庆市教委科学技术研究项目资助(批准号:KJ051203).
文摘
{(X_1(t),…,X_p(t)),0≤t≤T}为p维局部平稳高斯过程,具有渐近中心化的均值m_k(t)和常数的方差,M_k(T)=sup{X_k(t),0≤t≤T},k=1,…,p,当T→∞时,本文在一定条件下获得了M(T)=(M_1(T),…,M_p(T))的联合渐近分布.
关键词
多维高斯过程
局部平稳
高斯
过程
最大值
Keywords
Multivariate Gaussian processes, locally stationary Gaussian processes, maxima.
分类号
O211.4 [理学—概率论与数理统计]
在线阅读
下载PDF
职称材料
题名
基于纵向激励的驾驶习性分类及辨识方法
2
作者
孙博华
邓伟文
何睿
吴坚
李雅欣
边宁
机构
吉林大学汽车仿真与控制国家重点实验室
东风汽车公司技术中心
出处
《华南理工大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2019年第11期33-43,共11页
基金
国家重点研发计划项目(2016YFB0100904)
国家自然科学基金资助项目(U1564211,51775235,51605185)。
文摘
为使先进驾驶人辅助系统更具人性化及个性化,提高智能车辆的驾乘安全性和舒适性,提出一种基于纵向激励工况的驾驶习性分类及辨识方法.以前车车速信号的周期性及突变性为依据,设计6种前车典型纵向激励工况,并通过实车道路试验完成64位驾驶人的数据采集.然后,采用客观粒子群聚类和主观量表分析相结合的分类方式,实现典型驾驶习性的分类和习性类型的定义.比较各工况下的分类结果,确定纵向最优激励工况组为正弦工况3和阶跃工况3.建立基于多维高斯隐马尔科夫过程的驾驶习性辨识模型,依据辨识准确率得到最优模型输入信号组,利用正交试验法优化模型中的关键参数.结果表明,基于纵向激励的驾驶习性分类及辨识方法能够得到更好的分类和辨识准确率.
关键词
车辆工程
驾驶习性
粒子群聚类
多维
高斯
隐马尔科夫
过程
先进驾驶人辅助系统
Keywords
vehicle engineering
driving style
particle swarm clustering
multi-dimension Gaussian hidden Mar-kov process
advanced driver assistance system
分类号
U461 [机械工程—车辆工程]
在线阅读
下载PDF
职称材料
题名
联合MRGP和PSO的工业机器人驱动器可靠性分析
3
作者
曾颖
李彦锋
王弘毅
钱华明
黄洪钟
机构
电子科技大学机械与电气工程学院
电子科技大学系统可靠性与安全性研究中心
重庆大学机械传动国家重点实验室
出处
《系统工程与电子技术》
EI
CSCD
北大核心
2023年第8期2643-2650,共8页
基金
国家重点研发计划项目(2017YFB1301302)资助课题。
文摘
作为工业机器人的核心部件之一,驱动器失效频发,失效模式多样且具有一定相关性,给工业机器人的正常工作带来了严峻挑战。同时,工业机器人驱动器各失效模式的极限状态方程复杂,甚至一些为隐函数,这也造成了工业机器人驱动器可靠性建模的困难。为此,本文引入多维响应高斯过程(multiple response Gaussian process,MRGP)模型来刻画驱动器内各失效模式间的相关性及其极限状态方程,同时引入粒子群优化(particle swarm optimization,PSO)算法优化MRGP模型中的超参数,结合主动学习策略,对MRGP模型进行更新迭代,直至其满足一定精度条件,形成基于MRGP-PSO的工业机器人驱动器可靠性分析方法。最后开展相关算例分析,验证了所提方法的有效性。
关键词
工业机器人
驱动器
多维
响应
高斯
过程
粒子群优化算法
可靠性分析
Keywords
industrial robot
driver
multiple response Gaussian process(MRGP)
particle swarm optimization(PSO)algorithm
reliability analysis
分类号
TP242.2 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
多维局部平稳高斯过程最大值的联合渐近分布
杨春华
彭作祥
《应用概率统计》
CSCD
北大核心
2008
1
在线阅读
下载PDF
职称材料
2
基于纵向激励的驾驶习性分类及辨识方法
孙博华
邓伟文
何睿
吴坚
李雅欣
边宁
《华南理工大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2019
0
在线阅读
下载PDF
职称材料
3
联合MRGP和PSO的工业机器人驱动器可靠性分析
曾颖
李彦锋
王弘毅
钱华明
黄洪钟
《系统工程与电子技术》
EI
CSCD
北大核心
2023
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
