基于弯曲高斯过程组合方法的光伏出力预测研究

针对光伏发电功率受多种天气因素影响造成预测难度大的现状,提出了一种基于弯曲高斯过程的混合模型,可以实现一天内任意时刻的光伏出力的概率预测,获得置信区间预测值和点预测值.该算法先由多元自适应回归样条模型实现对多维输入变量的约减,同时得到待预测值的先验数据,然后利用模糊C均值算法按天气类型对训练集数据和测试集的先验数据进行聚类,得到相似样本,再利用弯曲高斯过程模型对测试集数据进行估计,最后利用Bagging算法实现对子混合模型的集成学习,得到待预测值的区间估计和点估计.仿真及试验结果验证了该混合模型的有效性和可靠性.与高斯过程估计和BP神经网络分位数估计相比,该混合模型精度更高,实用性更强.     

基于遗传算法的时序混合模型的参数估计

本文对时间序列中所表现的非高斯性进行了探讨，提出了EMTD模型，利用混合指数分布函数对时间序列建模，给出了EMTD模型的一阶矩、二阶矩平稳性条件．利用遗传算法对模型的参数进行了估计，并推导了参数的标准误差．     

多分量混合高斯密度的一种参数估计算法

根据有噪图像数据处理的需要,提出了一种分级矩估计与最大似然估计的综合算法来估计多分量混合高斯密度函数的参数.该算法首先利用分级矩估计法求出混合密度函数的初始参数估计值,然后利用最大似然估计法进行迭代运算,以求得这些参数的最终估计值.这种算法可以对具有2~m 或3×2~m(m 为正整数)个高斯分量的混合密度函数进行参数估值,给出了4,6,8分量混合高斯密度函数的参数估值实例.     

矩阵恢复的协方差矩阵估计算法

研究受高斯噪声干扰的低秩矩阵恢复。根据高斯噪声的统计性质,引入了协方差矩阵估计模型,构造出针对高斯噪声模型的低秩矩阵恢复算法。该算法基于最小化协方差矩阵核范数求解低秩矩阵,利用奇异值分解理论推导出模型的最优解。该模型结合高斯混合模型能够达到非常好的估计效果。仿真实验表明,该模型具有更快的收敛速度和更好的估计结果。     

贝叶斯型的时变系数回归模型

提出了具有时变系数的回归模型及其模型识别和参数估计的贝叶斯方 法．在此模型中对于时变回归系数的变动，应用了高斯型概率差分方程式作 为约束条件，称之为高斯型平滑性事先分布．模型中的超参数（ｈｙｐｅｒｐａｒａｍｅ－ ｔｅｒ）的估计，采用了最大似然估计法．模型的识别（差分次数的决定）应用了 Ａｋａｉｋｅ的最小 ＡＢＩＣ法．给出了模型估计的算法及其应用例子．最后，讨论了 平滑性事先分布中参数的最优估计的意义．     

非线性多模型多伯努利滤波器的实现

针对杂波、漏检等环境下的多机动目标估计问题,提出了两种非线性系统模型下多模型多伯努利(MM-MB)滤波器的实现方法.首先,基于容积卡尔曼滤波算法给出了MM-MB滤波器的容积卡尔曼高斯混合(CK-GM)实现过程;然后,为了增加CK-GM-MM-MB滤波算法的数值稳定性,给出了MM-MB滤波器的平方根容积卡尔曼高斯混合实现过程;最后,通过仿真实验验证了所提方法的有效性.     

基于码本映射和GMM的语音带宽扩展

采用传统的高斯混合模型（Gaussian mixture model,GMM）进行语音带宽扩展时,会出现所估计的特征参数过平滑的问题,其主要原因是协方差估计不准确而导致扩展的高频特征细节信息的丢失,因此本文提出了码本映射（codebook mapping,CM）与高斯混合模型相结合的语音带宽扩展算法.提取高、低频特征参数,并训练高斯混合模型,基于高斯混合模型参数训练偏移矢量的码本;在扩展阶段,利用偏移矢量的码本将低频偏移矢量映射为高频偏移矢量,再将高频偏移矢量与高斯混合模型估计部分相加作为估计的高频特征参数.对利用该方法进行带宽扩展后的语音质量进行主观/客观评测.实验结果表明,相比传统的GMM语音带宽方法,CM-GMM合成的高频语音更接近原始高频语音,明显消除了高频过平滑现象.      

基于复高斯混合模型的鲁棒VAD算法

针对语音激活检测的鲁棒性问题,提出在非平稳噪声环境下使用基于复高斯混合模型的鲁棒语音激活检测算法.算法中假设纯净语音谱满足复高斯混合模型,先验信噪比利用预先训练好的复高斯混合模型计算得到.复高斯混合模型的引入一方面提高了语音激活检测的性能,另一方面避免了使用基于最小均方误差语音增强的先验信噪比估计过程.实验中使用NOISEX-92噪声库来验证系统在噪声环境下的性能.结果表明,该种算法在非平稳噪声环境下具有良好的检测性能.     

超高斯与亚高斯混合信号的盲分离研究

基于信息最大化和自然梯度法原理,提出了一种超高斯与亚高斯混合信号的盲分离方法,该方法联合利用t分布密度模型和混合双曲正割函数密度模型对源信号概率密度函数进行估计,并采用峰度信息作为参数来选择密度模型及相应的非线性函数．对超高斯与亚高斯混合信号有较好的分离效果。用语音信号和心电信号仿真验证了算法的有效性。     

基于惩罚距离的混合模型分量数自动估计算法

EM算法是对有限混合模型进行参数估计的通用算法, 然而标准EM算法中所需的混合模型分量数实际上往往是未知的. 研究并改进了一种采用惩罚性最小匹配距离估计分量数的方法, 结合贪婪EM算法框架, 提出一种可以在进行参数估计的同时, 快速准确地自动估计高斯混合模型分量数的算法. 通过一元和二元的高斯混合模型的仿真实验, 验证了算法的有效性. 关键词：有限混合模型; 分量数; 惩罚性最小匹配距离; 贪婪EM; Parzen窗; 带宽     

一种基于子空间距离准则的源数目估计算法

 源数目估计是阵列信号处理中的一个重要课题,也是声纳探测领域的一个难题。通过研究特征子空间分析方法,提出了一种新的源数目估计算法。该方法在盲源分离结果的基础上,基于信号子空间和噪声子空间正交的原理,建立了子空间代价函数来估计观测空间的源数目。同时,通过仿真和水池实验,对该方法的性能做了研究,并与基于信息论准则中最小长度描述准则的源数目估计算法进行了比较。仿真和水池实验结果表明,该源数目估计算法能得到准确的源数目,并具有较好的抗噪性,在水声环境中具有更好的稳健性。     

基于Bootstrap方法上的新修正EM算法

对于成分数据的处理往往是进行对数比变换，这时，如果数据中含有零点或是近似零点，变换后就会出现负无穷的数据．因此，对于成分数据中零点或是近似零点的处理就成为成分数据分析中的一个重要的课题，文献中采用了基本线性回归的修正EM算法，文章将此方法进行了改进，提出了基于Bootstrap方法上的修正EM算法，这两种方法均是在迭代的初值给定步骤进行了改进．模拟研究对上述提到的两种方法进行了比较，结果显示此方法相比原有的修正EM算法，算法更为简便，得到的估计更为精确．     

基于信息制造系统的信息产品质量测算方法

通过对信息制造系统进行详细分析和研究 ,提出了度量数据质量、计算中间数据质量和最终信息产品质量的方法 .针对处理模块的质量函数 ,提出了确定信息产品质量的算法 .该算法也可用于分析原始数据质量及处理有效性对信息产品质量的影响     

聚类算法在电信客户细分中应用效果的对比研究

聚类算法是数据挖掘中的一个重要研究领域,是一种数据划分或分组处理的重要手段和方法．目前其研究已深入到数据库、数据挖掘、统计等领域并取得了很大的成绩。但是由于聚类算法的多样性,使其在很多行业应用中有着不同的应用效果,基于此。本文通过聚类算法三种指标的比较,给出了一种聚类方法应用效果评估的方法．该方法结合电信的案例应用与K-Means、SOM、BIRCH等聚类方法结果的分析,最后得出K-Means方法在电信客户细分中的应用优越性．     

基于相关子空间本征音分析的MAP快速自适应

本征音自适应是一种快速自适应算法 ,它根据对说话人矢量全空间的本征分析指导参数更新。该文提出一种基于子空间分析的本征音自适应算法 ,并且不同于一般本征音自适应采用最大似然准则的做法 ,该算法用最大后验准则以更好地估计参数。实验证明 ,在仅有 1句自适应数据的情况下它即能取得 6 .4 5 %的相对误识率下降 ,自适应速度远快于传统的最大后验方法 ,也不存在最大似然线性回归方法在极少数据量情况下反而造成系统识别性能下降的现象。结果表明该方法并不明显依赖相关子空间的划分数量 ,是一种稳健的自适应方法     

数据缺失下基于IOWA TOPSIS的辐射源威胁评估

由于战场环境的高复杂性,侦察方难于获取目标辐射源的完备信息.为解决传统辐射源威胁评估算法不适用于数据缺失情况的问题,引入诱导有序加权平均算子空值估计算法,与逼近理想解排序法相结合,采用CV-G1法赋权,构建数据缺失下基于IOWA-TOPSIS的辐射源威胁评估模型.首先,利用IOWA算子估算空值,解决数据缺失问题;然后,利用基于变异系数法改进的G1法实现对各属性的组合赋权;最后,通过TOPSIS算法对辐射源威胁度进行排序.仿真验证了算法的有效性,该方法拓展了TOPSIS算法使用范围,实现数据缺失情况下的辐射源威胁评估.     

GA-SVM对上证综指走势的预测研究

将支持向量机和遗传算法结合,建立了一种智能数据挖掘技术(GA-SVM),并用于对上证综指市场走势进行了探索.在这个混合的数据挖掘方法中,GA用于RBF参数的设定以及特征集的选择,从而智能的找到SVM的最佳参数,减少SVM特征值的复杂度,提高了SVM算法速度.SVM用于判断未来股票市场的走势,并与统计模型、时间序列模型方法、神经网络进行了对比.实验证明,GA-SVM优于其他几种方法,这种方法对于股票上涨或下跌的预测研究是有效的.     

一种解决群进化算法参数设置问题的最优向量法

群进化算法是智能计算领域研究的核心内容,而算法中数值型参数的设置是影响算法搜索效率的重要因素,因此设计解决参数设置问题的方法也是群进化算法研究的重要内容.目前解决参数设置问题的常规统计方法是根据算法搜索的部分结果组成有限样本数据,依据统计最好值个数大小的判定结果来确定最优参数预设值.常规统计方法在有些测试样本数据中很难确定唯一的最优参数预设值.为了解决常规统计方法的缺点,提出了一种最优向量法,该方法可以将任意形式有限样本数据转换为向量,依据向量计算的判定规则进行最优参数预设值的确定.实验结果表明,依据获取的有限样本数据通过最优向量法找到最优参数值,采用该参数值的群进化算法搜索效率相对最优,从而验证了最优向量法的有效性.     

光线投射的快速算法研究

针对医学体数据场的直接体绘制（DVR）的加速算法进行了讨论。基于体绘制的多种加速技术。利用格雷厄姆求凸壳算法和与平面簇求交算法对体数据场和投射光线进行裁剪，结合多边形的扫描线转换和投射光线的离散化、体素化，改进了光线投射算法。。     

Research and Implementation of the Enterprise Evaluation Based on a Fusion Clustering Model of AHP-FCM

Traditional clustering method is easy to slow convergence speed because of high data dimension and setting random initial clustering center. To improve these problems, a novel method combining subtractive clustering with fuzzy C-means （FCM） clustering will be advanced. In the method, the initial cluster number and cluster center can be obtained using subtractive clustering. On this basis, clustering result will be further optimized with FCM. In addition, the data dimension will be reduced through the analytic hierarchy process （AHP） before clustering calculating. In order to verify the effectiveness of fusion algorithm, an example about enterprise credit evaluation will be carried out. The results show that the fusion clustering algorithm is suitable for classifying high-dimension data, and the algorithm also does well in running up processing speed and improving visibility of result. So the method is suitable to promote the use.