慢时变线性模型参数辨识递推算法及收敛性分析

针对慢时变线性模型,给出辨识的递推算法,并证明该算法能够保证参数收敛在一个有界空间区域,该区域包含参数真值集合;若工作点不发生变化,合理的收敛因子保证参数收敛到对应真值.在实际应用中,工业对象可以利用慢时变线性模型表示,因此该递推算法能够确保工业对象模型实时更新以跟踪工况的变化.通过实例仿真可以看出,该递推算法能够保证慢时变线性模型参数有效更新,并较为准确估计输出变量.     

循环迭代信道补偿算法

在移动通信系统中,由于信道的时变特性,从训练序列得到的信道估计直接应用于数据解扩上,会带来较大的误差.为了降低这种误差,提出了循环迭代的算法,通过对数据域信道估计进行补偿,提高了单个时隙信道估计精度.仿真结果表明:该算法性能良好,特别是在单时隙业务下,由于每个时隙的信道估计独立计算和修正,可以提供准确的信道估计,对数据解扩性能有较大的提高;当用户在高速运动情况下,由于不受用户运动速度和信道衰落的限制,该算法性能明显优于其他方法.     

复合泊松分布参数估计的EM算法

复合泊松分布是非寿险精算中的重要理赔模型,利用正规的统计方法(如极大似然估计)估计模型的参数往往比较困难,而矩估计的精度在大样本下才能有令人满意的结果.本文应用EM算法研究了复合泊松分布的参数估计问题,给出了参数满足的方程,并给出了参数的矩估结果,对两种参数估计结果,通过计算机模拟,表明EM算法对参数的估计更为有效,且EM算法在小样本下就能得到较好的估计效果.     

基于蚁群优化FEKF算法的汽车状态估计

针对汽车状态估计过程中观测噪声时变问题,提出一种双重迭代自适应滤波算法—蚁群优化模糊逻辑扩展卡尔曼滤波(FEKF)算法.建立考虑Fiala轮胎模型的汽车二自由度非线性动力学模型,利用模糊逻辑对扩展卡尔曼滤波(EKF)算法估计过程中的观测噪声水平进行在线修正,同时引入蚁群优化算法对模糊逻辑中的输入输出隶属度函数进行优化,得到的双重迭代算法对处理强时变观测噪声水平下滤波估计过程具有很强的自适应性.最后通过建立虚拟仿真试验来验证该蚁群优化FEKF新算法的估计精度,结果显示,蚁群优化FEKF算法相比较于FEKF算法估计精度更高,鲁棒性更强.     

多径CD3S信号的混合卡尔曼滤波解调

提出了一种基于混合卡尔曼滤波的CD3S信号解调算法,在多径衰落信道下,采用状态估计的方法解调混沌直接序列扩频(CD3S)信号.根据混沌系统映射方程建立了混沌码同步问题的状态空间模型,并利用无损卡尔曼滤波器实现了混沌码同步;根据信道参数与信息码相对于混沌码的慢变特性,建立了信道参数估计与信息码估计问题的状态空间模型,并利用两个卡尔曼滤波器分别估计信道参数与信息码.三个滤波器均把彼此的估计结果作为系统参数,交替工作,通过联合估计实现信息码解调.仿真结果表明:无论多径信道是时不变的还是时变的,算法均可以提高混沌码同步精度,降低CD3S通信系统误码率.     

半参数非线性模型中的t-型估计和影响分析

给出半参数非线性回归模型的t-型估计及其EM算法,同时获得估计的相合性及渐近正态性.并基于EM算法中的Q函数,研究了半参数非线性回归模型的统计诊断方法.最后,用一个模拟例子和一个实际例子验证了本文提出的t-型估计和诊断方法的有效性.     

半参数跳-扩散模型的近似极大似然估计——基于转移密度的闭式展开方法

首先,引入半参数跳-扩散模型,用闭式展开的方法得到转移概率密度的近似表达式,证明了转移密度的展开式收敛到真实的转移密度.然后,利用近似极大似然估计的方法对模型中的参数进行估计.针对时变参数和非时变参数,分两步进行估计:第1步,采用局部常数拟合对时变波动率参数进行近似,利用核函数加权的方法得到了时变参数的局部近似极大似然估计量;第2步,用传统的极大似然估计方法,得到了非时变参数的近似极大似然估计.最后,证明了所得估计量的渐近性质.     

一类时变时间序列模型的参数估计研究

根据对一类时变时间序列模型结构特点的研究,提出了一种时变ＡＲ模型的递推参数估计算法。其原理是将时变参数的估计转化为对状态方程的状态估计,采用卡尔曼滤波推导出参数估计递推公式,并研究了其渐近稳定的充分条件。     

时变系统的Laguerre模型辨识及设计变量（2） ——Kalman滤波法

文章考虑动态线性系统的时变参数是平稳的AR（1）变量，系统为时变的Laguerre模型时的传递函数估计的均方误差（MSE）。在缓慢时变和高阶模型下，利用Kalman滤波算法，得到MSE的近似表达式。最后得到了Kalman滤波算法的设计变量的最优解。     

广义时变系统的最小二乘辨识方法

根据工程背景 ,提出了广义时变参数系统的概念。广义时变系统是指参数随系统可测扰动量变化的一类时变系统 ,即参数是系统可测扰动量函数的时变系统 ,提炼出这类时变系统的数学描述模型。根据最优化技术 ,导出了这类模型的两种辨识方法 ,即最小二乘型算法和随机梯度型算法 ,并应用鞅超收敛定理分析了算法的收敛性。分析表明 :由于该方法同时还利用了系统扰动量所含的信息 ,因而可以给出时变参数的一致估计。数字仿真验证了提出方法用于估计广义时变系统的参数是有效的。     

一种新的重叠混沌信号盲分离算法

提出一种基于粒子滤波（particle filtering,PF）的重叠混沌信号盲分离算法,该算法依据混沌动力学系统的状态空间模型,把重叠混沌信号盲分离问题转化为混沌信号和系统参数的联合估计问题,利用PF方法估计各信号以及系统参数的联合后验分布,再由联合后验分布实现各信号以及系统参数的估计.在PF算法中利用核平滑的方法实现了非时变参数的迭代估计,并通过自适应迭代算法对加性高斯噪声进行了估计.仿真实验的结果表明,该算法能有效地解决重叠混沌信号的盲分离问题.     

基于块稀疏的频率分集阵MIMO二维参数估计

针对导向矢量时变导致频率分集阵列-多输入多输出(MIMO)雷达参数估计误差增大的问题,提出一种基于块稀疏的距离和角度参数联合估计方法.首先,就导向矢量时变性对参数估计性能的影响进行了理论分析;然后,通过公式推导证明了块稀疏理论在频率分集阵MIMO雷达参数联合估计中的适用性,并提出了基于块稀疏的参数联合估计方法,给出了参数估计的具体流程;最后,通过仿真对参数估计性能进行了分析.理论分析及仿真结果表明:基于块稀疏的参数联合估计方法可实现单次快拍下多目标距离和角度参数的联合估计,估计能力优于传统谱估计方法;在单目标和单快拍条件下,所提算法精度与二维ESPRIT和二维MUSIC算法相比,基于稀疏字典估计的参数精度优于两算法,而基于系数向量估计的参数精度介于两算法之间.     

时变系统的多模型参数辨识研究

本文利用变点统计学的思想,讨论离散动态时变系统的多模型参数辨识问题,并给出了基于黄金分割优化思想的最小二乘多模型参数辨识算法以及计算机仿真结果。仿真结果显示出本文所提出的算法对多模型参数以及变点的良好估计特性。     

遗忘漂移时变系统的辨识

遗忘漂移时变系统的辨识极为困难 ,关键在于参数模型中的矩阵 H是未知的。为解决此问题 ,提出了当 H已知时 ,采用遗忘梯度辨识算法和多新息辨识算法 ;当 H未知时 ,采用递阶辨识方法。提出的遗忘梯度算法、遗忘漂移多新息辨识和递阶辨识算法的计算量都较增广 Kalm an滤波算法小。仿真结果表明 :遗忘梯度算法估计遗忘漂移时变参数的精度优于 Kalm an滤波算法     

一种新的导数可靠度的RFID标签数目估计

时隙ALOHA是一种分时隙通信方案,对于采用了时隙ALOHA的RFID(radio frequency identification)系统,标签数目估计可以指导时隙数目的选取,有助于优化系统效率。目前的估计方法存在准确度低、估计范围小的缺点,尤其在标签数目大于时隙数目的时候估计误差很大。针对这种情况,提出一种新的导数可靠度合并的标签数目估计方法DRCTE(derivative reliabilities combined tag estimation),该方法统计时隙ALOHA的空白时隙、独占时隙和碰撞时隙的数目,据此对标签数目做出3个初步估计;然后用3种时隙数目与总时隙数目的比值函数的导数作为初步估计的可靠度;最后用可靠度合并3个初步估计,得出最终估计结果。算法合理利用了可靠度高的信息,遏制了可靠度低的信息,具有估计精度高,估计范围大的特点。     

一种新的导数可靠度的RFID标签数目估计

时隙ALOHA是一种分时隙通信方案,对于采用了时隙ALOHA的RFID(radio frequency identification)系统,标签数目估计可以指导时隙数目的选取,有助于优化系统效率。目前的估计方法存在准确度低、估计范围小的缺点,尤其在标签数目大于时隙数目的时候估计误差很大。针对这种情况,提出一种新的导数可靠度合并的标签数目估计方法DRCTE(derivative reliabilities combinedtag estimation),该方法统计时隙ALOHA的空白时隙、独占时隙和碰撞时隙的数目,据此对标签数目做出3个初步估计;然后用3种时隙数目与总时隙数目的比值函数的导数作为初步估计的可靠度;最后用可靠度合并3个初步估计,得出最终估计结果。算法合理利用了可靠度高的信息,遏制了可靠度低的信息,具有估计精度高,估计范围大的特点。     

捕获效应下的标签估计算法

传统的标签估计通常要统计标签和阅读器通信中的碰撞时隙和单标签时隙的个数.然而在实际通信过程中,由于捕获效应的存在,较强信号通常会抑制掉较弱信号.这就造成了实际统计情况与事实不符的现象,进而影响标签的正确估计.由于空时隙中没有标签响应,采用统计空时隙数进行标签估计不受捕获效应影响.仿真结果表明,统计空时隙的标签估计算法在捕获效应情况下,估计精度没有变化,同时对帧时隙大小不敏感,优于其他基于统计单标签时隙数和碰撞时隙数来进行标签估计的算法.     

求解时变线性不等式离散算法的设计与分析

提出一种用于求解时变线性不等式的数值算法.通过引入一个时变向量(其每个元素都大于或等于零),将时变线性不等式转化为一个时变矩阵向量方程,并给出用于求解该方程的连续时间模型(即神经网络).采用欧拉差分公式将其离散化,推导得到相应的离散算法,并通过理论分析和数值实验验证该离散算法的有效性.结果表明:所提出的离散算法的稳态误差(SSRE)具有O(τ²)的变化规律,当τ的数值减小10倍,算法的稳态误差可减小100倍.     

基于最大似然估计的RFID帧时隙估算方法

对动态帧时隙ALOHA算法(Dynamic Framed Slotted Aloha,DFSA)中的效率最优化问题进行了分析,提出了一种基于最大似然估计的帧时隙估算方法.该方法根据上一帧获取的碰撞时隙和空闲时隙,采用最大似然估计对帧时隙进行估算,同时采用线性反馈移位寄存器(LFSR)来实现哈希函数,使得标签能够均匀选择不同的时隙,减少估算误差,降低误差率.通过仿真实验证明,该方法的误差随着标签时隙比的增加而明显降低,满足误差率小于15%的实际应用要求,当标签时隙比大于1.2时,比Vogt算法和UPE算法估算的误差更小,误差率低于5%.     

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．