<menuitem id="zjp3j"></menuitem>

<span id="zjp3j"></span>
<menuitem id="zjp3j"></menuitem>

<menuitem id="zjp3j"></menuitem>

<nobr id="zjp3j"><thead id="zjp3j"></thead></nobr>
<menuitem id="zjp3j"><delect id="zjp3j"><i id="zjp3j"></i></delect></menuitem>

    <menuitem id="zjp3j"><delect id="zjp3j"></delect></menuitem>
      <menuitem id="zjp3j"><delect id="zjp3j"><i id="zjp3j"></i></delect></menuitem>

      <b id="zjp3j"><delect id="zjp3j"></delect></b><p id="zjp3j"><thead id="zjp3j"><listing id="zjp3j"></listing></thead></p>

      <menuitem id="zjp3j"><delect id="zjp3j"><i id="zjp3j"></i></delect></menuitem>

        <nobr id="zjp3j"><thead id="zjp3j"></thead></nobr>
        <menuitem id="zjp3j"><delect id="zjp3j"></delect></menuitem>
        <ins id="zjp3j"><pre id="zjp3j"><progress id="zjp3j"></progress></pre></ins>

            <dfn id="zjp3j"><i id="zjp3j"></i></dfn>

            <nobr id="zjp3j"><thead id="zjp3j"></thead></nobr><menuitem id="zjp3j"><delect id="zjp3j"><i id="zjp3j"></i></delect></menuitem>
              <nobr id="zjp3j"><delect id="zjp3j"></delect></nobr>

              <menuitem id="zjp3j"></menuitem>

              <menuitem id="zjp3j"></menuitem>

                  <menuitem id="zjp3j"><delect id="zjp3j"><pre id="zjp3j"></pre></delect></menuitem>
                  <b id="zjp3j"></b> <menuitem id="zjp3j"><delect id="zjp3j"><i id="zjp3j"></i></delect></menuitem>

                  <nobr id="zjp3j"><thead id="zjp3j"></thead></nobr>
                    <menuitem id="zjp3j"></menuitem>
                      <menuitem id="zjp3j"><delect id="zjp3j"><i id="zjp3j"></i></delect></menuitem>
                        <menuitem id="zjp3j"><delect id="zjp3j"><i id="zjp3j"></i></delect></menuitem>
                        <menuitem id="zjp3j"><delect id="zjp3j"></delect></menuitem><menuitem id="zjp3j"><delect id="zjp3j"><i id="zjp3j"></i></delect></menuitem>

                            <nobr id="zjp3j"></nobr>

                                <menuitem id="zjp3j"><thead id="zjp3j"><i id="zjp3j"></i></thead></menuitem>

                                    <p id="zjp3j"></p>

                                    <span id="zjp3j"><delect id="zjp3j"><mark id="zjp3j"></mark></delect></span>

                                    <menuitem id="zjp3j"></menuitem>
                                    <menuitem id="zjp3j"></menuitem>
                                    歡迎進入常州方義軸承有限公司官網,本公司專業生產滾輪軸承,復合滾輪軸承,螺栓滾輪軸承 網站地圖

                                    滾輪軸承

                                    常州方義軸承有限公司向用戶提供質量可靠的軸承產品是我們始終的目標

                                    方義軸承熱線13585311718

                                    產品中心

                                    聯系我們

                                    Contact Us

                                    聯系人:吳總    13585311718
                                    聯系人:石總    13961198762
                                    聯系人:傅總    13813585047
                                    座  機:0519-81889759
                                    傳  真:0519-81889759
                                    郵  箱:czfangyibearing@163.com
                                    網  址:wap.luckybirdartstudio.com
                                    地  址:江蘇省常州市武進區湖塘鎮馬杭工業園

                                    滾動軸承的穩健化估計及性質

                                    您所在的位置:首頁 > 新聞中心 > 公司動態 >

                                    滾動軸承的穩健化估計及性質

                                    發布時間:2019-06-26    點擊次數:次   
                                    滾動軸承(bearing)的穩?。╬rudent)化估計及性質:

                                    在穩?。╬rudent)化統計學中,穩健化估計主要有M估計、W估計及L估計。
                                    M估計及性質
                                    X;={x;(n)}, i=1,2,,m;n=1,2,.,N
                                    (2-8)式中,X;為隨機變量(Variable)時間序列,x;(n)為第 i次實驗的第n個數據
                                    i 為實驗(experiment)序號,m為實驗次數,n為數據(data)序號,N為數據個數。
                                    隨機變量(Variable)時間序列X;的平均值為
                                    Ai=x,(n),i=1,2,,m;n=1,2,,N
                                    式中,A;為第i次實驗隨機變量(Variable)時間序列X;的平均值,x(n)為第 i 次實驗的第n個數據,i為實驗序號,m為
                                    實驗(experiment)次數,n為數據(data)序號,N為數據個數。
                                    樣本均值4是*小二乘估計,目標函數為殘差平方和。復合滾輪軸承作為復合滾輪和機器設備連接的部分,通常軸頭頭部設計為倒角,方便安裝,可直接將軸頭接焊接在設備上,也可將軸頭焊接在帶有圓孔的連接板上再將連接板和設備組裝。目標麗數為
                                    2()-1)”
                                    (2-10)Q。
                                      (1)=
                                    N’
                                    ↑為目標函數自變量,x()為第i次實驗的第n個數式中,Q(0)為1的目標函數。
                                    病中序號,m為實驗(experiment)大數,n為數據(data)序號N為數據個數。
                                    可以知道,目標函數210的極值為0,得出自變量-Ao把目標函數寫為
                                    總()-)
                                    20= ,入
                                    i= ,,m;n= 12,.,
                                    (2-11)式中,Q0為1的目標(cause)函數,p(x()()為目標函數估計函數, 1為目
                                    標函數自變量,x(n)為第;次實驗的第n個數據,i為實驗序號,m為實驗次數,n為數據序號,N為數據個數。
                                    根據式(2-10)和式(2-1),可以得出*小二乘法估計的估計函數為
                                    p,(t)=t2, i=1,2,.,m
                                    (2-12)式中,p()為第i次實驗估計函數,I 為目標(cause)函數自變量,i 為實驗序
                                    號,m為實驗次數。復合滾輪軸承當中*主要的承載體,主要承受垂直方向的載荷和沖擊負荷,具有很強的耐沖擊性、耐磨性及抗腐蝕性。由于主滾輪為滿裝滾子軸承,亦可作為單向軸承單獨使用。
                                    由式(2-12)可知,當t絕對值很大時,估計函數p()增加得很快;如果估計值靠近數據(data)的中心,就會與
                                    離散值很遠,那么估計函數p(t)值會很大;為了降低估計函數p(0值,應使估計值接近離散值,因此樣本均值
                                    就得出不合理的結果。
                                    基于此,提出M估計,使用目標函數S(t):
                                    Z(x(m)-1)
                                    S
                                      (1)=號
                                    N,i= 12.,m;n=.2-,N
                                    (2-13) 式中,S(0為目標(cause)函數,1為目標函數自變量,x(n)為第i
                                    次實驗的第n個數據,i為實驗序號,m為實驗次數,n為數據序號,N為數據個數。
                                    這樣,實驗(experiment)評估函數為
                                    p,(t)=1, i=1,2,.,m
                                    (2-14)
                                    式中,p(0)為第1次實驗(experiment)的估計函數,m為實驗次數,1為目標(cause)函數自變量。
                                    與式(2-10相比,降低了離收數據(data)的影響。下面給出M估計。假設p(0是R的實值函數,X為一維樣本隨
                                    機變量,M估計為
                                    $()= min之pp(x(n)-1,), -2=2.,2-1.2,。
                                    (2-15)式中,S0)為目標函數,1為目標函數自變量。
                                    ln為x()數據的估計值,x(n)為第i次
                                    實驗的第1個數據,1為實驗序號,m為實驗次數,n為數據序號,N為數據個數。
                                    M估計也可以用另外一種形式表示:
                                    J(0)= ZJ,(x(n)-1.)=0,
                                    i2=,,m;n=1,2,-,N
                                    (2-16)式中,J(0為目標函數,↑為目標函數自變量,n為x
                                    ()數據的估計值,X)為第i次實驗的第n個數據,為實驗序號,m為實驗次數,n為數據序號,N為數據個數。
                                    上述內容為M估計的基本定義。M估計的具體方法有很多種,如Huber M估計、中位數估計、圖格伊M估計等。
                                    下面僅介紹本書中將用到的Huber M估計和中位數估計。復合滾輪軸承作為復合滾輪和機器設備連接的部分,通常軸頭頭部設計為倒角,方便安裝,可直接將軸頭接焊接在設備上,也可將軸頭焊接在帶有圓孔的連接板上再將連接板和設備組裝。
                                    1) Huber M估計
                                    Huber M估計是在極小極大化以及Hampel這兩個數據穩健化準則下的一種*優估計,其中Huber M的分布函數
                                    為P。

                                      
                                      

                                    相關閱讀

                                    日韩久久久久精品_激情久久中文字幕_中文字幕高清无码免费看_手机看先锋资源AV在线 一个人免费看视频在线观看_免费看小12萝裸体视频国产_粉色视频免费版高清全集苍井空_欧洲熟妇色 欧美亚洲AV网站A片在线观看 日日躁狠狠躁死你H_精品乱人伦一区二区三区_欧美熟妇牲交另类ZOZO_强制高潮18XXXXHD日韩 精品爆乳一区二区三区无码AV_亚洲乱码中文字幕综合234_69国产品国产在线观看_无码在线中文字幕 免费看国产成年无码AV片_差差差很疼的视频软件大全_FUCK四川老女人HD_欧美成人少妇激情视频112 人妻超清中文字幕乱码一区_亚洲日本中文字幕区_日本高级按摩一区三区_国产精品思思五月婷高清在线