信号与系统实验报告：实验三 信号的抽样与恢复.docx

数字信号处理：3.10 抽样定理.ppt

数字信号处理：抽样定理.ppt

由于不确定因素多、电网规模大，原始蒙特卡洛模拟(MCS)在复杂电力系统可靠性评估中无法满足实时高效的要求。提出一种基于交叉熵(CE)的重要抽样与极限学习机(ELM)相结合的可靠性评估算法，一方面通过在系统抽样环节引入CE构建元件的最优概率分布，减小方差变化，加快指标收敛速度；另一方面，采用ELM对重要抽样的状态样本进行有监督学习，以所构建的网络学习模型替代传统非线性规划方法进行状态评估，提高单次系统状态评估的效率，从而实现快速可靠性评估。对IEEE RTS-79系统进行可靠性评估，与原始MCS和CE重要抽样的对比结果表明，在一定的误差范围内所提算法合理、有效，其计算效率较原始MCS和CE显著提高。

数字信号处理：第2章连续信号的抽样.ppt

研究简单回归模型中响应变量受到另一随机变量序列污染时,模型参数和污染系数的估计,运用 EM 算法给出了两类污染数据回归模型的参数的极大似然估计( MLE),并用 Gibbs抽样的方法给出了未知参数的 Monte-C arlo估计.

Anderson 和 Darling (1952, 1954) 引入了拟合优度统计来检验随机样本来自具有指定分布函数的连续总体的假设。 它是对 Kolmogorov-Smirnov (KS) 检验的修改，并且比 KS 检验赋予尾部更多的权重。 相应的双样本版本由 Darling (1957) 提出，并由 Pettitt (1976) 进行了详细研究。 Anderson-Darling k 样本检验由 Scholz 和 Stephens (1987) 引入，作为两样本 Anderson-Darling 检验的推广。 它是一种非参数统计程序，即秩检验，因此，除了样本是来自其各自连续总体的真正独立随机样本外，不需要其他任何假设（尽管对绑定观察做出了规定）。 它检验以下假设，即从中抽取两个或多个独立数据样本的总体是相同的。 该检验可用于决定是否可以合并来自不同来源的数据，因为它们被判断为来自

第5章 时间管理 在 3.10 节时钟节拍中曾提到，µC/OS-Ⅱ(其它内核也一样)要求用户提供定时中断来实 现延时与超时控制等功能。这个定时中断叫做时钟节拍，它应该每秒发生 10 至 100 次。时 钟节拍的实际频率是由用户的应用程序决定的。时钟节拍的频率越高，系统的负荷就越重。 3.10 节讨论了时钟的中断服务子程序和节时钟节函数 OSTimeTick——该函数用于通知 µC/OS-Ⅱ发生了时钟节拍中断。本章主要讲述五个与时钟节拍有关的系统服务： OSTimeDly() OSTimeDlyHMSM() OSTimeDlyResume() OSTimeGet() OSTimeSet() 本章所提到的函数可以在 OS_TIME.C 文件中找到。 5.0 任务延时函数，OSTimeDly() µC/OS-Ⅱ提供了这样一个系统服务：申请该服务的任务可以延时一段时间，这段时间 的长短是用时钟节拍的数目来确定的。实现这个系统服务的函数叫做 OSTimeDly()。调用该 函数会使 µC/OS-Ⅱ进行一次任务调度，并且执行下一个优先级最高的就绪态任务。任务调 用 OSTimeDly()后，一旦规定的时间期满或者有其它的任务通过调用 OSTimeDlyResume()取 消了延时，它就会马上进入就绪状态。注意，只有当该任务在所有就绪任务中具有最高的优 先级时，它才会立即运行。 程序清单 L5.1 所示的是任务延时函数 OSTimeDly()的代码。用户的应用程序是通过提 供延时的时钟节拍数——一个 1 到 65535 之间的数，来调用该函数的。如果用户指定 0 值 [L5.1(1)]，则表明用户不想延时任务，函数会立即返回到调用者。非 0 值会使得任务延时 函数 OSTimeDly()将当前任务从就绪表中移除[L5.1(2)]。接着，这个延时节拍数会被保存 在当前任务的 OS_TCB 中[L5.1(3)]，并且通过 OSTimeTick()每隔一个时钟节拍就减少一个 延时节拍数。最后，既然任务已经不再处于就绪状态，任务调度程序会执行下一个优先级最 高的就绪任务。 程序清单 L 5.1 OSTimeDly(). void OSTimeDly (INT16U ticks) { if (ticks > 0) { (1) OS_ENTER_CRITICAL(); if ((OSRdyTbl[OSTCBCur->OSTCBY] &= ~OSTCBCur->OSTCBBitX) == 0) { (2) OSRdyGrp &= ~OSTCBCur->OSTCBBitY;

从蒙特卡罗误差估计中，我们可以看到，大多数统计量的估计值的敛散性都与 有关。特别的，对于均值的估计量，我们发现： 而问题在于 是否能被改善。值得注意的是蒙特卡罗方法的一个主要优点就是他的敛散性依赖于独立的随机参数个数，而接下来我们将要看到的是一种完全不同的抽样方式：拉丁超立方抽样（LHS）。但首先，我们要先了解一下分层抽样的相关内容。分层抽样我们考虑一维的单个变量输入问题：y=f(x)，x是一个随机变量。分层抽样通过如下的步骤来进行：1) 定义参与计算机运行的抽样数目N；2) 将x等概率地分成若干个区域——“bin”, 3) 样本一次落入哪一个bin中取决于该bin的概率密度函数，样本

通过分析传统SA算法原理和存在的不足，提出三种改进：增加记忆功能，避免遗失当前最优解；设置稳定抽样判定条件，保证全局搜索能力；提供7种扰动机制，提高结果改进效果。设计对比实验验证各种改进，分析出较好参数配置，构造较理想的改进SA算法。经过国际公认的TSPLIB提供的实验数据的验证，改进算法在性能上比GA和传统的SA算法均有较大提高。