基于Jeffreys非信息超先验的贝叶斯变量选择算法

在计算机试验中,复杂现象的仿真拥有数目庞大的输入变量,因此,筛选出对输出影响重要的输入变量是至关重要的。我们通过Jeffreys非信息超先验,提出了一种新的贝叶斯变量选择算法。不同于计算机试验中存在的变量选择算法,我们的方法不需要调节控制稀疏性的超参数。新的变量选择方法通过EM（expectation-maximization）算法求解,试验结果表明,我们的方法不仅取得了理想的效果,而且大大地减少了计算的负担。     

基于模糊逻辑的自适应α-β滤波新算法

针对非均匀稀疏采样环境下的被动机动目标跟踪问题,基于模糊逻辑推理,提出了一种新的自适应α-β滤波算法。详细分析了非均匀稀疏采样被动传感器上报数据的特点,将标准化新息和新息的一阶微分作为模糊推理的两个输入变量,并同时引入时间间隔、目标速度等因素,设计输入变量的调整因子,自适应获取滤波器参数。实验结果表明,提出的算法能够准确对机动目标进行跟踪,性能优良,且易于工程实现。     

基于灰色关联分析的神经网络模型

在BP神经网络算法的基础上,针对在多变量复杂系统建模过程中BP网络输入变量无法自动寻优的问题,将其与灰色关联分析方法结合,建立基于灰色关联分析的神经网络优化算法(GM-BPANN).并且使用中国粮食产量预测的数据,与逐步回归方法和灰色GM(1, N )模型方法进行了比较检验.结果表明,新模型通过灰色关联度的计算,可以全面、广泛地对大量的输入变量进行处理,而不必经过专门的主观筛选,从而增强了BP网络的适应能力, 同时能够得到较好的预测精度和稳定性.     

基于改进人工蜂群算法的MIMO雷达稀疏阵列优化

为了提高多输入多输出(multiple input multiple output, MIMO)雷达稀疏阵列性能,提出了一种基于云模型的改进离散人工蜂群算法对MIMO雷达稀疏阵列进行优化。该算法首先对人工蜂群算法进行改进,用云模型替代轮盘赌作为新的选择模型来选择较优蜜源。云模型的随机性和稳定倾向性,能够维持种群的多样性,从而克服了人工蜂群算法易陷入局部最优的问题。为了保证搜索过程中阵元数量保持不变,加入了新的限制条件。仿真实验结果表明,该算法具有良好的性能,能够在保持主瓣宽度不变的情况下,得到更低的旁瓣水平。     

基于贝叶斯多层先验的元建模研究

计算机试验成为一种研究复杂物理系统的替代方法，它引起了人们的关注。元模型的求解问题是计算机试验中研究其它问题的基础。通过贝叶斯多层先验，提出了一种新的计算机试验中求解元模型的方法．新方法通过EM（expectation-maximization）算法求解，并且将之与国际上的几种已有的方法进行了比较。试验结果表明，这种新的方法取得了较理想的试验结果，并且大大地较少了计算的负担。     

基于多观测向量块稀疏的MIMO雷达非理想正交波形成像

基于稀疏恢复的多输入多输出(multiple input multiple output, MIMO)雷达波形分离方法,能够代替匹配滤波,提高MIMO雷达非理想正交波形分离效果,对目标高分辨成像。但由于目标像稀疏性较弱,多观测向量(multiple measurement vector, MMV)稀疏恢复算法的效果有限。通过调整感知矩阵发掘目标像的块稀疏性,提出了一种基于块稀疏的MMV稀疏重构算法来提高成像质量。首先采用改进的复合三角函数(improved composite trigonometric function, ICTF)作为平滑函数近似l₀范数,然后将其扩展到基于块稀疏的MMV模型,最后通过自适应调整正则化参数提升算法稳健性。通过实验验证了该算法在不同稀疏度、不同信噪比下的重构性能,仿真分析了其应用于MIMO雷达对多散射点目标模型的成像效果。仿真结果表明,所提算法能够更好地提高成像质量。     

基于多观测向量块稀疏的MIMO雷达非理想正交波形成像

基于稀疏恢复的多输入多输出(multiple input multiple output, MIMO)雷达波形分离方法,能够代替匹配滤波,提高MIMO雷达非理想正交波形分离效果,对目标高分辨成像。但由于目标像稀疏性较弱,多观测向量(multiple measurement vector, MMV)稀疏恢复算法的效果有限。通过调整感知矩阵发掘目标像的块稀疏性,提出了一种基于块稀疏的MMV稀疏重构算法来提高成像质量。首先采用改进的复合三角函数(improved composite trigonometric function, ICTF)作为平滑函数近似l₀范数,然后将其扩展到基于块稀疏的MMV模型,最后通过自适应调整正则化参数提升算法稳健性。通过实验验证了该算法在不同稀疏度、不同信噪比下的重构性能,仿真分析了其应用于MIMO雷达对多散射点目标模型的成像效果。仿真结果表明,所提算法能够更好地提高成像质量。     

高光谱图像修复算法的自适应稀疏编码实现

针对高光谱图像(hyperspectral images,HSI)中缺损像元及条带影响图像后续处理及应用的问题,应用稀疏表示理论,将HSI修复问题建模为不完整观测下的信号稀疏重建问题,提出自适应稀疏编码实现的HSI修复算法。首先,对加性噪声假设下的HSI观测模型进行研究。然后,通过引入基于随机近似的在线学习优化方法,提出新的从高光谱数据中直接构造字典的算法,从而获取光谱字典。之后,应用变量分解和增广拉格朗日稀疏回归方法对图像进行稀疏编码求解。最后通过稀疏重构求得修复后的HSI。实验结果表明,相对于现有算法,在不同噪声条件下,所提算法均能够更有效地修复缺损的HSI,且与其他字典学习类修复算法相比计算耗时更短。     

图像恢复问题的梯度稀疏化正则方法

针对图像恢复中边缘损坏及细节丢失等问题,从分析梯度直方图的分布特征及梯度稀疏性最佳表示出发,提出了一种基于梯度稀疏性的正则方法,建立了具有梯度先验信息的图像恢复模型。该模型不仅能够增强图像的细节特征,而且能够在去除模糊及噪声与保持图像边缘之间取得很好的平衡。设计了一种新的优化算法对模型进行求解。实验结果表明,新算法快速有效且收敛性好, 新模型能够在很好地去除模糊和噪声的同时,有效保留图像边缘及纹理等信息。     

基于FKCM的球磨机系统T-S模糊建模方法

针对传统的描述热工过程动态数学模型的方法难以建立非线性模型的缺点,提出了一种基于模糊核聚类的球磨机系统T-S模糊建模算法.该算法首先通过灰色关系法确定模型输入变量,利用FKCM聚类算法对输入空间进行模糊划分,确定T-S模型的前件结构和前件参数;进而利用最小二乘算法确定模糊规则的后件参数.最后,利用数字仿真数据对球磨机系统进行模糊建模,建模结果表明该算法简单、实用,模型能够精确地描述过程的非线性.     

输入受限的隐式广义预测控制算法的仿真研究

本文基于CARIMA模型提出了一种简单的隐式广义预测自校正控制算法。它避免了在线求解Dioaphantine方程;利用并列预测器间的特点,直接辨识输出预测器中的参数,并针对广义预测控制问题,在整个预测时域和控制时域,对输入幅值施加了约束;在此基础上以二次规划作为滚动优化策略,进行计算机仿真,获得预测控制信息和输出信息;然后采用加权控制律,不仅使预测信息得以充分利用,而且使系统的性能得到明显改善。     

SIMO系统辅助变量最小二乘盲辨识方法

辅助变量辨识方法是一类重要的辨识方法,然而对于盲辨识,系统输入未知,辅助矩阵的选择就成了难题。针对盲辨识领域研究最多的单输入多输出(SIMO)系统,利用辅助变量方法研究相应的盲辨识方法,其基本思想是联立其中两个子系统进行辨识,利用其他子系统的输出来构造辅助矩阵,从而提出了辅助变量最小二乘盲辨识方法,来获得系统参数估计。还给出所提算法的递推形式,并进行了收敛性分析。仿真例子验证了所提方法的有效性。     

一种新的变步长LMS自适应滤波算法及性能分析

研究了自适应最小均方误差(least mean squares,LMS)滤波算法的步长选取问题。在详细分析现有变步长LMS算法的基础上,给出一种以双曲正切函数的改进形式为变步长的LMS算法。讨论了步长参数的选取原则及其对算法收敛性、抗干扰性和稳态误差的影响。该算法不但具有较快的收敛速度和跟踪速度,而且能获得更小的稳态失调。理论分析和仿真结果表明,该算法具有更好的稳态性能。     

基于非信息超先验的Bayesian Kriging元建模算法

计算机试验引入近似建模的思想，使其广泛地用于复杂物理系统。针对计算机试验中的近似建模问题,基于Jeffreys 非信息超先验为Kriging 模型的相关参数赋予了多层先验约束，提出了一种有效的Bayesian元建模方法，并且利用期望最大化算法对相关参数进行数值求解。新方法在本质上属于惩罚似然方法，但是它不含有任何需要调整或者估计的参数。将之与国际上已有的几种方法进行了比较，实验结果显示新方法不仅能够取得较高的元建模精度，而且能够大大降低计算复杂度。     

基于半监督广义可加Logistic回归的信用评分方法

传统的信用评分模型主要基于有监督学习(supervised learning)方法,但是,在实际的贷款问题中,有标记样本信息的获取往往成本较高、难度较大、周期较长,而无标记样本信息则大量存在.为了能在建模中充分利用无标记样本信息,本文提出了一种基于半监督广义可加(semi-supervised generalized additive,SSGA) Logistic回归的信用评分模型.该模型不但能处理线性不可分问题,也能同时利用有标记与无标记样本信息,并同步实现模型参数的估计和显著变量的选择.通过模拟实验表明,所提出的模型在外推预测和变量选择方面的表现均显著优于有监督模型.最后,将该模型应用于个人信用贷款违约风险的评估中.     

基于遗传算法和分类树的信用分类方法

银行信贷信用评估本质上是个分类问题,已有统计和非统计的各种方法应用于信用评估,其中分类树方法,也称为递归分割法,比较适用于处理定性变量,而作为非统计方法之一的遗传算法则适用于处理连续型定量变量之间的非线性关系,但无法处理定性变量,利用这两种方法特点的互补性,构建了一种分类树和遗传算法相结合的信贷信用评估方法,先用分类树方法按照定性变量分类,然后在每个叶结点上用遗传算法按照定量变量分类.实证分析表明,该方法比单独使用分类树方法或遗传算法的分类准确率高.     

基于相对误差互相关函数的变步长LMS算法

许多时变步长自适应滤波算法被用来解决标准LMS算法的固有矛盾,但实验表明这些算法易受独立噪声的干扰,或计算量大、耗时太长。针对上述问题,提出了一种新的变步长LMS自适应滤波算法,它采用相对的误差互相关函数来控制步长更新。该算法计算量小、易于控制,具有快速的收敛速度和较小的失调,不受已存在的非相关噪声的影响,可很好地应用于自适应对消系统中,且在低信噪比环境中仍能保持良好的性能。计算机仿真及实测数据的处理与理论分析结果一致。     

新型变论域模糊控制器在交通信号控制中的应用

在双模糊控制器协调控制交通信号的基础上,针对模糊控制中论域范围选择和隶属度函数在论域中合理分布的难题,改善通过函数模型获得输入输出变论域伸缩因子的方法,提出一种采用模糊推理来替代函数模型,根据输入输出量的大小来相应改变模糊控制器的输入输出变量的论域范围的新算法。仿真结果表明,与传统的基于函数模型的变论域模糊控制器相比较,此方法避免了基于函数模型的变论域模糊控制器的函数系数和模型参数选择上的困难,更加方便地实现了控制器自调整和自适应,并大大减小了车辆平均延误时间,为车队更顺畅地通过交叉路口提供了保证。     

多响应三水平部分因子试验设计的建模与优化

针对多响应三水平部分因子试验,当筛选试验中候选变量个数大于试验样本数时,本文提出了一种考虑因子效应原则的建模与优化方法.首先,构建三水平对照试验,并结合二元变量指示器构建Bayesian Lasso模型;其次,根据因子效应原则,分三个阶段逐步更新二元变量指示器的先验信息,并利用变量指示器的后验概率来识别显著性变量,确定模型结构;然后,在此基础上结合贝叶斯抽样技术构建多变量过程能力指数函数,并通过最大化该函数获得最佳的参数设计值;最后,实际案例的结果表明:本文所提方法不仅能够有效地筛选出多响应三水平部分因子试验的显著性变量,而且能够获得最佳的参数设计值.