本文使用非参数密度估计构建数学模型。模型不假设数据序列的依赖形式也不假设概率分布形式，并不意味着模型参数估计，而是仅依赖于驱动的数据，并消除了估计的事实参数不是通用的。
文探讨了非参数密度估计在电线电缆质量控制中的应用，以及更精确的分析方法。估计;窗宽;分析结果;身体状况。图分类号：O212文献标识码：A引言数学统计技术是高级质量管理的重要课题。前，应用于电线电缆行业的数理统计技术是一种传统的参数统计方法：基本步骤为：数据采集，参数模型自适应，参数模型估计，模型的指示符合效果。要思想是假设确定的参数模型。方法通常具有良好的数据分析准确度，例如通过假设正态分布模型，使用矩估计，最大似然估计和最小二乘来找到参数。
是这些方法的缺点是模型的假设对于不同的样品不是通用的。文探讨了使用非参数密度估计来分析导电单丝电缆的电阻率，以便找到更准确的统计方法。
察数据本文首先给出了模具拉制铜单丝直径的样本数据，标准直径为2.52 mm（见表1）（取样能力为100，分为在16组中，组间距为0.000022mm），图1是散点图。2是用于理解其所属人口的基本属性的直方图：从上图，特别是直方图，我们可以初步了解该数据集的分布样品。以初步估计样本数据属于完全不对称并且左端具有较长的末端，具有从左到右的向上趋势和到左边的小尾巴。右了。
度估计理论，核估计的定义：设K（x）是R上的概率密度函数，h> 0是与n相关的常数，则fn是由核的估计总未知密度f（x），其中函数K（x）称为核，h是窗口的宽度。K（x）的确定表明，当确定窗口h的宽度时，不同核函数的效果是等效的。
际上，通常首先选择核函数K（x），然后寻找最佳窗宽h。于K（x）对fn的影响很小，满足以下基本条件的核函数是合适的：∫K（x）dx = 1;函数连续平滑，第一阶的时刻为零，方差有限。常使用均匀核，高斯核等。文使用高斯内核作为内核的函数。得函数核的估计：窗宽h越小，估计的核密度对原始数据的调整越大，但核估计的方差越大。反，窗口h的宽度越大，核估计的方差越小。LSCV方法通常用于确定窗口的最佳宽度，其直接从现有数据获得窗口的合理宽度，并且是计算窗口的最佳宽度的标准方法之一。要思想是从估计样本的缺失值中找到窗口的最佳宽度：通过替换表达式中已知样本的点值，窗口h的宽度为核心估计值为0.105，ICE最小值为-5177。
用结果分析本文使用内核估计作为内核函数的高斯核来分析样本数据，从而可以得到函数核的估计形式：统计方法整个集合（通常是Pearson）的分布类型未知。2执行适应性测试以确定模型的显着性是否可接受以确定数据集是否实际来自假定的分布模型。于连续数据，数据样本必须分成几个区间（组），分组后每组中包含的样本数必须至少为5.如果某些组中的数据频率小于5，数据应该是：组与相邻组正确组合，然后进行测试。于使用fn估计总密度f（x），因此测试问题等同于：H0：f（x）= fn（x）; H1：F（X）FN（X）（7），其为统计假设检验H0近似当H0为真：f 1是第i个样本组的频率，NPI是计算的标称定时基于所述估计核密度函数，k是可以在H0下取得的X的子集数，r是全局分布。估算的参数数量。计接近χ2分布KR 1的一个自由度可以看出，假设检验的排斥字段是：χ2≥χ2α（KR-1）（9）α是显着性水平和测试的临界值是χ2（1-α）。kr-1），当目标函数的值大于临界值时拒绝零假设，并认为密度函数不是通过核估计方法获得的密度函数，否则零假设不能被拒绝。上所述，
矿用电缆在大样本的情况下，如果零假设为真，则统计量接近具有kr-1自由度的分布χ2，其中k = 9，r = 1，因此分配的自由度为7 ..参考任何具有统计日历的书籍，我们可以找到分布χ2的阈值，在每个显着性水平上具有7的自由度，这里是参考[5]和当α= 0时的临界值20， 05。95 = 14.067，h = 0.105。14.067，实现的测试统计值12.815小于临界值，
矿用电缆这意味着当显着性水平为0.05时，原假设不能被拒绝，即通过非参数核估计方法获得的密度函数的表达可以被认为符合实际的全局分布。式。此，我们还可以认为上面选择的窗口宽度值是“最佳的”，并且在该窗口宽度值处估计的总密度函数是理想的。论鉴于参数模型的缺陷，本文提出了一种基于核估计理论的非参数随机模型。模型避免了结构选择和参数不确定性（线性或非线性）的问题，并且可以根据拟合的最终质量进行测试。用LSCV方法计算窗口的最佳宽度可确保精确计算核密度估计值，并且是计算窗口宽度的方便且安全的方法。一步改进非参数密度估计方法在电线和电缆质量控制中的应用可以提供更精确的分析方法，以改善电线和电缆的质量。
本文转载自
电缆价格 https://www.haoluoyi.com
猜您兴趣
首页
QQ