- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
用于异常值识别的置信距离矩阵：一种改进共聚焦显微镜测量表面表征的新方法
摘要： 本文提出了一种用于共聚焦显微镜获取表面测量数据中异常值识别的统计方法。所采用的统计方法是置信距离矩阵（CDM），该方法在统计学及信号处理、传感器数据融合、信息处理等诸多工程领域已有广泛应用，但尚未发现利用CDM识别测量表面数据异常值的相关研究。本文对CDM方法的数学模型进行了介绍与简化，开发并验证了基于蒙特卡洛法进行不确定性评估的随机异常值识别算法，以及单一测量表面异常值识别算法。为验证算法有效性，采用美国国家标准与技术研究院提供的合成数据SG_3-3及自主算法生成的人造随机表面数据进行测试。含异常值数据的Sq值与认证值偏差为2.3342%，剔除异常值后偏差降至0.0037%。针对带有灰尘的C1型间距标准件，采用CDM方法测量处理后，其Sa值相对于认证Ra值的偏差从29.65%降至3.52%。通过对铁质表面测量数据处理，对比两次验证实验中数据表面斜率与曲率参数，结合表面重建效果、高度分布直方图及测量数据与剔除异常值后数据的QQ图等指标，证实所提方法具有良好效果。
关键词： 置信距离矩阵、异常值检测、面形特征表征、阈值确定、共聚焦成像显微镜、蒙特卡罗方法
更新于2025-09-23 08:53:00
-
[2019年IEEE第46届光伏专家会议（PVSC） - 美国伊利诺伊州芝加哥（2019.6.16-2019.6.21）] 2019年IEEE第46届光伏专家会议（PVSC） - 采用能量选择性前反射器增强光子循环的高效光伏器件性能预测
摘要： 本文提出了一种用于有限混合学习过程的新型稳健EM算法。所提出的空间EM算法在每次M步中采用基于中位数的位置估计和基于秩的散布估计来替代样本均值与样本协方差矩阵，从而增强了算法的稳定性和稳健性。该算法对异常值和初始值具有稳健性。与多种稳健混合学习方法相比，空间EM算法具有实现简单和统计效率高的优势。我们将空间EM算法应用于监督与非监督学习场景，具体提出了基于空间EM的稳健聚类和异常检测方法，并将该异常检测方法应用于鱼类物种新颖性发现的分类学研究。通过两个真实数据集进行聚类分析，与常规EM算法及K中位数、X-EM、SVM等现有方法相比，本方法展现出更优的性能和高度的稳健性。
关键词： EM算法、有限混合模型、稳健性、异常值检测、聚类分析、空间秩
更新于2025-09-19 17:13:59
-
[IEEE 2019年第44届国际红外、毫米波及太赫兹波会议(IRMMW-THz) - 法国巴黎 (2019.9.1-2019.9.6)] 2019年第44届国际红外、毫米波及太赫兹波会议(IRMMW-THz) - 通过两个耦合的W波段行波管产生超短微波脉冲序列
摘要： 本文提出了一种用于有限混合学习过程的新型稳健EM算法。所提出的空间EM算法利用基于中位数的位置估计和基于秩的散布估计，在每次M步中替代样本均值和样本协方差矩阵，从而增强了算法的稳定性和稳健性。该算法对异常值和初始值具有稳健性。与许多稳健混合学习方法相比，空间EM具有实现简单和统计效率高的优势。我们将空间EM应用于有监督和无监督学习场景，具体提出了基于空间EM的稳健聚类和异常检测方法，并将该异常检测方法应用于鱼类物种新发现分类学研究。使用两个真实数据集进行聚类分析，与常规EM及K中位数、X-EM、SVM等现有方法相比，本方法展现出更优性能和高度稳健性。
关键词： 鲁棒性、异常值检测、空间秩、聚类、有限混合模型、EM算法
更新于2025-09-19 17:13:59
-
[IEEE 2019化合物半导体周（CSW）- 日本奈良（2019.5.19-2019.5.23）] 2019化合物半导体周（CSW）- 全硅集成超低噪声宽调谐半导体激光器
摘要： 本文提出了一种用于有限混合学习过程的新型稳健EM算法。所提出的空间EM算法在每次M步中采用基于中位数的位置估计和基于秩的分散度估计来替代样本均值与样本协方差矩阵，从而增强了算法的稳定性和稳健性。该算法对异常值和初始值具有稳健性。与许多稳健混合学习方法相比，空间EM在实现简便性和统计效率方面具有优势。我们将空间EM应用于有监督和无监督学习场景，具体提出了基于空间EM的稳健聚类与异常值检测方法，并将该异常值检测技术应用于鱼类物种新颖性发现的分类学研究。通过两个真实数据集进行聚类分析，结果表明：相较于常规EM算法及K中位数、X-EM、SVM等现有方法，本方法展现出更优的性能与更高的稳健性。
关键词： 有限混合模型、空间秩、稳健性、EM算法、异常值检测、聚类
更新于2025-09-19 17:13:59