线性模型回归参数极大似然估计的约束EM算法

提出了非线性不等式约束下线性模型回归系数渐进极大似然估计的EM算法,利用极大似然估计的渐近正态性质,将EM算法的M-步转化为随机优化问题,给出了该随机优化问题的极限问题,即利用更易求解的极限问题的最优解来代替原优化问题的最优解,并证明了原优化问题的最优解是依概率收敛于极限问题的最优解.     

基于最大互信息的离散隐马尔柯夫模型训练方法

在基于隐马尔柯夫模型（HMM）的语音识别系统中,模型训练最常用的算法是Baum-Welch算法,该算法具有快速收敛及保证每步迭代模型的似然概率单调增的优点,但它基于最大似然训练准则,而该准则不能将各个模型很好地分析,这直接导致了识别时的错误,鉴于最大互信息可以克服这一缺点,提出了一种基于最大互信息的训练方法,该方法借助于梯度,调整参数以使模型与训练数据的互信息最大,实验结果表明,使用该方法使系统的识别性能得到了一定的改善。     

基于梯度法的高效全局优化算法

用极大似然估计法和交替方向法估计Kriging模型参数, 提出一种基于有效集共轭梯度法的Kriging模型参数优化算法, 并在此基础上改进了高效全局优化算法. 结果表明, 利用改进的全局优化算法可解决高效全局优化算法的过早收敛问题.     

Sign-LMS盲最大似然估计算法的研究

简要阐述了Sign-LMS盲最大似然估计算法的基本原理。通过计算机仿真试验,在典型电话信道,对称信道以及普通信道中,对该算法与传统的LMS盲最大似然估计算法性能作了比较,并证明了该算法在收敛速度、均方误差等方面均优于传统算法。从理论上证明了该算法的复杂度,但是该算法的简单是以牺牲稳态性能为代价的,并提出了今后Sign-LMS盲最大似然估计算法的研究方向———如何减少稳态剩余误差。     

应用Dirichlet分布的概率假设密度多目标跟踪

针对多目标跟踪算法对多目标状态提取的需求,提出了一种基于Dirichlet分布的概率假设密度滤波器多目标状态提取方法.该算法利用负指数Dirichlet分布的不稳定性来极大似然估计多目标状态;利用期望极大化算法搜寻极大似然解,同时利用Dirichlet分布驱使不相关分量消亡;为了平衡成功初始化与减少算法时间开销的要求,利用k-d树初始化Dirichlet分布.仿真结果表明,基于Dirichlet分布的概率假设密度滤波器多目标状态提取算法在多目标跟踪中优于已有算法.     

复杂网络无尺度特征及其演化机理研究

根据复杂网络演化的两个基本机理抽象出一种复杂网络演化的一般模型(GP Model),该模型具备增长和择优两个普遍特征,并根据连续动力学原理分析了该模型的平凡特征量.在平凡特征量的基础上,利用极大似然原理得出了该模型网络在经历长期演化后节点分布具有幂律特征这一结论,从概率理论上解释了这一类网络度分布特征的成因.此外,利用GP模型研究了互联网度分布的指数截断特征以及长期演化的节点度分布特征,并分析了互联网的长期演化态势和节点行为特征.     

混合对数正态分布广义线性联合均值与散度模型的参数估计

由于对数变换的优良性质,所以对数正态分布应用十分广泛.该文研究提出混合对数正态分布下广义线性联合均值与散度模型,利用EM算法和Fisher-Scoring方法研究了模型参数的极大似然估计.最后,通过随机模拟和实例研究结果表明,提出的模型和方法是有用和有效的.     

混合逆高斯数据下联合均值与散度模型的参数估计

逆高斯分布是分析非对称右偏数据的重要统计工具,该文研究提出混合逆高斯分布下广义线性联合均值与散度模型,利用EM算法和Fisher-Scoring方法研究了模型参数极大似然估计.最后,通过随机模拟和实例研究结果表明,提出的模型和方法是有用和有效的.     

拓展目标混合分量删减算法

针对拓展目标概率假设密度滤波器高斯混合实现中的混合分量增长问题,提出混合分量的极大似然删减算法.该算法利用期望极大化方法实现混合分量的极大似然删减;视量测在混合分量的来源指标集为缺失量;取混合参数的先验分布为依赖于混合权重的分布;在期望步,计算量测在混合分量来源指标的条件概率;在极大化步,通过混合权重置零来实现相关度较小混合分量的删减.仿真结果表明,该混合分量极大似然删减算法优于典型阈值删减算法.     

一种基于梯度的HMM参数重估方法

对于隐Markov模型（HMM），经典的参数重估方法是Eaum-Welch算法，该算法基于最大似然准则，具有快速收敛和保证似然度单调增的优点，但是对于其他的训练准则，则不存在这样的算法，由于目标函数的复杂性，在考虑采用梯度方法时，必须先解决如何求取梯度的问题，为此，提出一种求取梯度的实现方法，结果表明，使用该方法所取得的模型与用Baum-Welch算法所得的模型性能相当，而前者适用于基于各种准则的训练方法。     

具有反向学习的多目标元胞遗传算法的空间桁架结构优化设计

为了解决具有多约束的桁架结构问题,提出一种具有反向学习的多目标元胞遗传算法应用于空间桁架结构多目标优化设计中。根据分析元胞遗传算法特点,引入一种反向学习策略、差分进化策略和约束处理技术。通过标准测试函数对比分析,算法能很好地保持Pareto解集的收敛性和均匀性。针对空间桁架结构优化的数学模型,采用实数编码和个体修正方法,将该算法对72杆空间桁架优化问题进行求解,并与MOCell的优化结果进行比较。结果表明,新算法获得的Pareto解集更加均匀,极端点值域更宽广,具有一定的工程实用性。     

基于改进DPSO非退出故障下多无人机任务规划

针对非退出故障下多无人机协同任务规划问题，提出了一种基于混合策略改进的离散粒子群算法。该方法首先采用Sobol序列进行种群初始化，提高解空间的覆盖率；然后，提出非线性时变策略，加快算法的收敛速度；并引入柯西算子,增强离散粒子群算法的搜索空间；同时，还提出自适应交叉学习策略，丰富种群多样性，进而提升算法的全局寻优能力。综合改进的离散粒子群算法不仅加快了收敛速度，并且解的最优性也得到了提高。此外，运用三次样条插值算法进行无人机航迹规划，最后，将改进算法在三维空间中进行无人机故障前后的对比仿真实验，结果表明所设计的算法具有显著的寻优有效性，为部分无人机发生轻微故障后，多机协同执行任务规划的问题提供了理论依据。     

善治视域下我国政府回应能力提升探析

传统的可控源音频大地电磁法(CSAMT)反演方法属于线性或者局部线性,大都依赖初始模型.而遗传算法因其不依赖初始模型的特点而应用到CSAMT反演中.但是,标准的遗传算法存在早熟、局部收敛等问题.针对这些问题,对标准的遗传算法进行改进,采用排序法和最优保留策略相结合的选择算子,增强其种群多样性并保证其收敛性;采用父子竞争策略和自适应概率法相结合的交叉算子,能够防止好的父代个体被淘汰,又具有适应性.通过理论模型进行算法仿真验证,证明其有效性,说明改进遗传算法较标准遗传算法在CSAMT一维反演中有明显的改善.通过对实测数据进行反演,其结果与地质资料吻合,证明了其适应性.     

鸽子运动意图的最大似然估计解码算法

神经信息解码是目前植入式脑机接口(brain-computer interface,BCI)神经信息处理研究中的难点和重点;解码效果的优劣以及解码算法的效率直接决定了脑机接口应用的有效性和实用性。为了解码十字迷宫内鸽子运动转向信息,利用高斯分布模型对神经元锋电位发放率的概率密度函数进行建模;并结合最大似然估计(maximum likelihood estimation,MLE)算法对鸽子的转向意图进行了预测;并将其结果与(support vector machine,SVM)法和群矢量(population vector,PV)法进行了比较。结果表明,MLE算法能够有效地解码鸽子的运动意图,解码正确率显著高于SVM法和PV法。这一结果也为进一步分析鸽子运动意图神经信息处理机制奠定了基础。     

模糊人工蜂群算法在加工中心组成问题中的应用研究

研究成组技术中加工中心的组成问题。在满足各中心机器间相似系数最大的情况下,寻求最优组成方案。针对人工蜂群算法搜索缓慢、易出现早熟等问题,提出了一种模糊人工蜂群算法。该算法采用模糊位置矩阵表示问题的解,重新定义了候选解产生公式,并设计了新的选择概率公式。建立了模糊位置矩阵与问题可行解的映射关系。仿真结果表明,该算法是可行、有效的。     

一种基于Kriging模型的机械结构可靠性分析方法

通过分析现有机械结构可靠性抽样方法存在的不足以及影响失效概率估计精度的主要因素,提出了一种基于Kriging模型及自适应抽样方法的机械结构可靠性分析方法.该抽样方法将随机抽样与聚类算法相结合,能够在概率上保证新增样本点落在对失效概率贡献较大的区域,避免对非重要区域的不必要抽样.以大数定律及中心极限定理为基础,推导了所提出的Kriging模型的收敛条件.通过两个算例说明所提出方法的迭代收敛过程、准确性及稳定性,结果表明,该方法能够在较少调用结构功能函数情况下得到失效概率较准确的估计值.     

Immune Clone Maximum Likelihood Estimation of Improved Non-homogeneous Poisson Process Model Parameters

Aiming at the solving problem of improved nonhomogeneous Poisson process（ NHPP） model in engineering application,the immune clone maximum likelihood estimation（ MLE）method for solving model parameters was proposed. The minimum negative log-likelihood function was used as the objective function to optimize instead of using iterative method to solve complex system of equations,and the problem of parameter estimation of improved NHPP model was solved by immune clone algorithm. And the interval estimation of reliability indices was given by using fisher information matrix method and delta method. An example of failure truncated data from multiple numerical control（ NC） machine tools was taken to prove the method. and the results show that the algorithm has a higher convergence rate and computational accuracy, which demonstrates the feasibility of the method.     

基于佳点集遗传算法的边缘检测

为了提高遗传算法应用于边缘检测的收敛速度,提出了一种基于佳点集遗传算法(GGA)的边缘检测方法.该方法利用佳点集理论构造交叉操作使得子代保留最能代表其家族性能的双亲共同基因以提高算法收敛速度.在用遗传算法进行边缘检测之前,将图像的灰度值特征空间转换为模糊熵特征空间,然后运用模糊熵理论对图像进行相异性增强处理,滤去非边缘像素以便缩小解空间规模,为提高算法的收敛速度提供了另一个有效的途径.实验结果表明,所提出的图像边缘检测方法具有较好收敛效率,所检测出的图像边缘细节丰富、单边缘、定位准确.     

基于正态变异的思维进化计算

将正态变异引入到思维进化计算中, 提出了一种新的基于正态变异的思维进化计算.在算法中采取了自适应策略.试验结果表明该算法具有高效的收敛速度, 并能收敛到全局最优点.与遗传算法(Genetic Algorithm, GA)和传统的思维进化计算(Mind Evolutionary Computation, MEC)进行比较分析, 该算法收敛速度更快, 收敛率更高.     

基于二次互信息的特征选择算法

将二次互信息(mutual information)用作模式分类问题中特征选择的准则,分析了该准则在再生核希尔伯特空间中的几何意义.在二次互信息准则基础上,提出了基于Parzen窗密度估计和后向删除策略的特征选择算法PW-QMI,同时针对大规模数据集的情况给出了基于高斯混合模型的算法GMM-QMI,以减小算法的计算复杂度.通过与相关度算法和SVM-RFE算法的实验比较,证明了该算法在特征选择问题上具有更为稳定的性能.