下载文档原格式
万方数据 万方数据应用格罗布斯准则判定测量结果中的粗大误差作者：刘建， 刘文金， LiuJian， LiuWenJin作者单位：中南林业科技大学,湖南,长沙,410004刊名：木工机床英文刊名：WOODWORKING MACHINERY年，卷(期)：2006，(2)被引用次数：0次1.徐学林互换性与测量技术基础 20052.费业泰误差理论与数据处理 20001.期刊论文基于测量信息论的小样本粗大误差处理研究-机械工程与自动化2009(6)在小样本情况下,传统的基于统计原理的误差处理理论不能正确判定粗大误差.采用基于测量信息论的方法来判别测量数据中的粗大误差,将顺序统计量、秩和信息熵等概念引入误差处理理论用以判别小样本情况下的测量数据中是否存在粗大误差.分别采用基于测量信息论的方法和基于统计理论的误差处理方法,对实验数据进行处理和分析,表明基于测量信息论的粗大误差判别方法在小样本数据的粗大误差处理中具有优势.2.学位论文刘学斌智能化在线大直径测量技术研究与误差分析2003大直径工件尺寸加工现场的高精度测量技术是当前国内外尚未圆满解决的世界性技术难题.该文给出了一种非接触在线大直径测量的方法—标记法,并以该方法为测量原理成功地研制了一种测量大直径尺寸的便携式通用量仪—大直径测量仪.经专家鉴定,大直径测量仪达到了测量IT6公差等级工件的要求.该文主要介绍了大直径测量仪的基本原理、系统软硬件结构设计、系统数学模型的建立及其数值分析,着重讨论了数学模型的数值分析方法以及在该系统中具体应用.采用该文提出的数值分析方法可以在保证系统运算精度的前提下,提高系统的运算速度,该方法对于其它的数学模型系统具有很大的借鉴作用.在该文的最后,针对大直径测量义的运算精度,该文应用了四种粗大误差剔除方法(莱以物准则、罗曼诺夫准则、格鲁布斯准则、狄克松准则)来消除粗大的误差影响.同时运用VC开发平台编制的数据处理软件对这四种方法进行分析、比较,并据此提出了该系统中所采用的方法—修正的莱以特准则. 3.期刊论文王广林.李云峰.WANG Guang-lin.LI Yun-feng一种有效的粗大误差判别方法-计测技术2005,25(6)提出了一种以灰色系统理论为基础的粗大误差判别方法,该方法对测量数据少或者难于寻求统计规律的测量过程尤为有效,与算术平均滤波法一起使用可以提高数据处理的效率.理论分析和测试结果表明,采用上述的数据处理方法可以有效地提高测量系统的测量精度和测量效率.4.期刊论文周欣然.滕召胜.蒋星军.ZHOU Xin-Ran.TENG Zhao-Sheng.JIANG Xing-Jun基于无偏置项LSSVM的稳健在线过程建模方法-模式识别与人工智能2010,23(6)针对直接利用最小二乘支持向量机(LSSVM)对动态过程在线建模时预测精度易受过程输出测量值上的粗大误差和噪声影响的问题,在分析样本序列结构特征和噪声作用特征基础上,提出一种基于无偏置项LSSVM的稳健在线过程建模方法.该方法在每一预测周期中根据预测误差与设定阈值之间的关系来识别和恢复异常测量值、识别和修正含噪声测量值,从而降低样本中的噪声,使得出的LSSVM较好地跟踪过程的动态特性.这种在线过程建模方法具有稳健性,能减少输出值上粗大误差和高斯白噪声对LSSVM预测精度的影响,提高预测精度.数字仿真显示该方法的有效性和优越性.5.期刊论文余剑高精度智能测量系统中粗大误差的处理技术-测试技术学报2003,17(3)应用数理统计参数估值理论提出了一种新的粗大误差判据,该判据尤其适用于采样次数较少(n≤10)的测量系统中,剔除粗大误差的准确性高,应用于高精度智能测量系统中,可提高测量数据的精度.6.期刊论文杨琪文公差实验中粗大误差的发现及剔除-扬州职业大学学报2003,7(4)简述了测量数据中粗大误差的概念,分析了粗大误差产生的原因和消除方法,介绍如何根据3σ准则在测量数据中发现并剔除粗大误差.7.期刊论文宋兵.李世平.文超斌.刘如峰.SONG Bing.LI Shi-ping.WEN Chao-bin.LIU Ru-feng基于灰色关联分析的动态测量不确定度评定-中国测试2010,36(6)提出了一种基于灰色关联分析的动态测量不确定度评定新方法.该方法分析了灰色关联度和灰色关联系数与动态测量不确定度的关系,利用灰色关联度的倒数作为动态测量不确定度的扩展系数,测量数据总体灰色关联系数作为动态测量标准不确定度,并将其与其他因素导致的不确定度进行合成,作为动态测量不确定度的最终结果.该方法尤其适用于被测信号是时变信号的动态测量不确定度评定.经仿真实验与其他方法对比,方法具有计算量小、原理简单、易于在计算机上实现、不受数据分布限制、准确度高等特点.8.学位论文叶兵基于遗传神经网络模型实时误差修正任意角测量系统2004通过对动态误差特性、角度和圆分度测量特点、测量系统动态误差随机过程特性和误差传递特性的分析,对光栅动态测量系统的误差修正技术进行了较系统和深入的研究.叙述了动态测量误差的构成要素和表征,给出了动态测量系统的"相对运动"概念和相对变化率描述方法,设计了与所建模型相对应的动态误差神经网络拓扑结构,提出了误差源认知度矩阵和动态误差源传递、分类模型.在圆分度测量的相对性和数据自封闭特征的基础上,建立了基于圆分度和二面角测量的任意角测量系统,和基于自封闭自然基准的动态误差数据零均值处理和平差处理方法.建立了测量样本粗大误差判别和剔除的模糊聚类判别方法,通过对实际测量数据的粗大误差判别,证明了所建立的粗大误差判别模型对测量系统的实用性.提出了测量系统在有限距离上的平稳和各态历经性的概念和数据处理方法,证明了该实验系统在短距离样本空间具有有限平稳和各态历经性质.提出以样本距离空间范数来描述预报数据间相似程度并定义了相似度δ函数,推导出动态误差数据相似度与数据相关函数之间的关系,建立了以相关函数相对误差来评定模型预报误差的评定方法,建立了有效预报空间的概念,推导出了预报误差的评定公式和在有效预报空间中的两种表示形式.分析了不同空间位置子系统间的误差传递特性,证明了在测量系统中离散标准量值空间向被测量工件量值空间的直接传递性;分析了离散标准量系统向连续量值空间映射的误差重构条件和方法;基于测量样本的有限距离的平稳性,证明了预报模型对动态测量误差的有限收敛性和预报误差的可测度性,进而证明了以离散标准量值系统对被测工件预报修正的可行性和合理性.首次研制成功了高精度任意二面角与圆分度测量系统,并编制了基于MS Windows的测量和系统控制软件.设计了双标准量值(工件和离散标准量)互比测量的模型验证方法,完善了从数据测量、误差分离、模型建立到实际修正的整个修正过程;研究了离散标准量系统动态误差分离技术,建立了基于遗传进化算法与神经网络混合建模技术的两种误差修正方法——离散标准量动态误差直接(同步)修正方法和预报模型修正方法,并确定了模型结构参数和模型训练方法;分析了预报模型的多次预报性质,并得出了多次预报与多步预报的等效关系,确定了测量系统的有效预报范围以及模型参数对泛化误差的影响;进行了模型的对比实验验证和被测工件动态误差修正试验,成功地实现了任意二面角和圆分度的实时误差修正.工件动态测量误差修正结果为:直接修正模型和预报模型分别达到了原误差的1/10~1/3.9.期刊论文苏力测量数据中粗大误差在线剔除又一方法-计量技术2004(12)以对实验数据进行科学、合理的处理为目的,应用未确知数学方法,将实验数据视为未确知信息,用未确知有理数表示实验数据,克服了数理统计方法处理实验数据中存在的问题,使实验数据能保持完整性,真实而又准确地反映实验结果.10.学位论文谭浩艺基于数据预处理技术的电站锅炉煤质软测量研究2009电站锅炉的运行性能与煤质的变化关系密切。
粗大误差的判断方法
粗大误差啊，这可是个很关键的东西呢！它就像是混入珍珠中的一粒沙子，会让整个结果都变得不准确。
那怎么来判断它呢？这可得好好说道说道。
咱先来说说直观判断法，就好像你一眼就能看出一个人是不是生病了一样。
如果某个测量值明显偏离了其他数据，那它很可能就是粗大误差呀！这不是很明显嘛！比如一群人都在说正常的话，突然有个人大喊大叫一些不着边际的，那他不就很突出嘛！
再来讲讲统计判别法，这就好比是给数据做个“体检”。
通过计算一些统计指标，来看看有没有异常的数据。
如果某个值超出了正常范围，那它可能就是那个“捣乱分子”。
就好像在一个班级里，大家的成绩都在一个范围内波动，突然有个人考了个超级高或者超级低的分数，那是不是就很显眼呀！
还有什么呢？对了，还有格拉布斯准则！这就像是个严格的法官，对数据进行严格的审查。
如果某个值被它判定为异常，那几乎就可以确定是粗大误差了。
想象一下，数据们排着队接受审查，那个不符合标准的一下子就被揪出来了，是不是很形象！
莱以特准则也不能落下呀！它就像是个敏锐的侦探，能从众多数据中发现那个“不寻常”。
一旦它锁定了目标，那这个粗大误差可就无处遁形啦！
你说判断粗大误差重要不重要？要是不把它找出来，那得出的结论能靠谱吗？能放心使用吗？肯定不行呀！所以我们一定要掌握这些判断方法，就像战士要有锋利的武器一样。
只有这样，我们才能在数据的海洋中准确地航行，不会被粗大误差这股“暗流”给带偏了呀！总之，粗大误差的判断方法可太重要啦，我们可不能马虎对待呀！。
判别粗大误差的准则引言在测量和统计领域，精确度和准确度是非常重要的概念。
准确度是指测量结果与真实值之间的接近程度，而精确度是指多次测量结果之间的一致性。
然而，在实际应用中，由于各种原因，可能会出现误差，其中包括粗大误差。
粗大误差是指显著偏离真实值的异常观测值或数据点。
它可能由仪器故障、操作失误、环境变化等多种因素引起。
为了保证数据的可靠性和准确性，判别并排除这些粗大误差是必要的。
本文将介绍判别粗大误差的准则，并提供一些常用的方法和技术来检测和处理这些异常观测值。
判别粗大误差的准则1. 样本点与平均值之间的偏离程度判断一个样本点是否为粗大误差可以通过计算其与平均值之间的偏离程度来进行。
常用的方法有使用标准差或者残差来衡量。
•标准差：计算所有样本点与平均值之间的差异，并根据标准差的大小来判断是否为粗大误差。
一般来说，如果一个样本点与平均值之间的差异超过平均差异的两倍或三倍，就可以被视为粗大误差。
•残差：对于回归分析等情况，可以计算每个样本点的残差（观测值与拟合值之间的偏差），并根据残差的大小来判别是否为粗大误差。
通常情况下，如果一个样本点的残差超过平均残差的两倍或三倍，就可以被视为粗大误差。
2. 离群点检测离群点是指在数据集中与其他数据点明显不同的观测值。
离群点可能是由于异常情况、错误测量、记录错误等原因导致。
判别离群点可以使用以下方法：•离群因子（Outlier Factor）：通过计算每个观测值周围其他观测值的密度来判断其是否为离群点。
如果一个观测值周围其他观测值的密度较低，则可以被认为是离群点。
•基于距离的方法：通过计算观测值与其他观测值之间的距离来判断其是否为离群点。
如果一个观测值与其他观测值之间的距离明显大于平均距离，则可以被认为是离群点。
•箱线图（Box Plot）：通过绘制数据的箱线图来判断是否存在离群点。
箱线图展示了数据的四分位数和异常值，如果一个观测值超过上下四分位数的1.5倍或3倍，可以被视为离群点。
粗大误差四种判别准则的比较粗大误差是指在测量过程中，偶尔产生的某些不应有的反常因素造成的测量数值超出正常测量误差范围的小概率误差。
含有粗大误差的数据会干扰对实验结果的分析,甚至歪曲实验结果。
若不按统计的原理剔除异常值，而把一些包含较大正常误差但不属于异常值的数据舍弃或保留一些包含较小粗大误差的异常值，就会错估了仪器的精确等级。
因此，系统检验测量数据是否含有粗大误差是保证原始数据的可靠及其有关计算的准确的前提。
排除异常数据有四种较常用的准则,分别是拉伊达准则、格拉布斯准则、肖维勒准则和狄克逊准则。
每种判别准则都有其处理方法,导致用不同准则对异常值判别的结果有时会不一致。
目前异常值的剔除还没有统一的准则，本文综合判别粗大误差四种方法的特点,系统归纳各种准则的应用,以便更好地发现和判别含有粗大误差的数据.1。
四种判别粗大误差准则的特点1.1拉伊达准则拉伊达准则［4］是以三倍测量列的标准偏差为极限取舍标准，其给定的置信概率为99。
73%，该准则适用于测量次数n>10或预先经大量重复测量已统计出其标准误差σ的情况。
Xi为服从正态分布的等精度测量值，可先求得它们的算术平均值 X、残差vi和标准偏差σ。
若｜Xi- X|>3σ,则可疑值Xi含有粗大误差，应舍弃；若|Xi— X|≤3σ，则可疑值Xi为正常值，应保留。
把可疑值舍弃后再重新算出除去这个值的其他测量值的平均值和标准偏差,然后继续使用判别依据判断，依此类推.1.2格拉布斯准则格拉布斯准则适用于测量次数较少的情况(n<100）,通常取置信概率为95％,对样本中仅混入一个异常值的情况判别效率最高。
其判别方法如下:先将呈正态分布的等精度多次测量的样本按从小到大排列，统计临界系数G(a,n）的值为G0，然后分别计算出G1、Gn：G1=( X-X1）/σ,Gn=(Xn- X）/σ (1)若G1≥Gn且G1〉G0，则X1应予以剔除;若Gn≥G1且Gn>G0，则Xn应予以剔除;若G1<G0且Gn〈G0，则不存在“坏值”。
专利名称：一种基于灰色理论的乏信息测量数据粗大误差判别方法
专利类型：发明专利
发明人：王中宇,王倩,王岩庆,李强
申请号：CN201210439870.X
申请日：20121106
公开号：CN102945222A
公开日：
20130227
专利内容由知识产权出版社提供
摘要：本发明提供一种基于灰色理论的乏信息测量数据粗大误差判别方法，该方法的步骤为：一、将采集到的乏信息测量数据序列进行预处理，按由小到大排序；二、利用灰色累加方法得到乏信息测量数据灰色包罗线；三、采用灰色判别法则判定测量数据是否含粗大误差；四、利用灰色
GM(1，1)动态模型获取乏信息测量数据预测值；五、重复步骤二、三、四，直至测量数据中粗大误差全部被判别。
本发明能实现概率分布未知，小样本量等乏信息特征的测量数据粗大误差的有效判别，测量数据中粗大误差的有效剔除，保证了测量结果的准确性。
本方法合理简单，计算简便，大大提高了计算速度，在快速，在线测量方面具有很好的推广应用价值。
申请人：北京航空航天大学
地址：100191 北京市海淀区学院路37号
国籍：CN
代理机构：北京科迪生专利代理有限责任公司
代理人：杨学明
更多信息请下载全文后查看。
