用Monte—Carlo法计算电磁场

本文应用蒙特卡罗法计算复杂的三维电磁场。由于采用了一种既快速又能产生出较好统计性的“伪随机数”的算法，因而得到了较理想的结果。此外，本文还提供一个估计精度的公式，并指明改进精度估计的措施。     

分层部分样本轮换抽样下的混合估计

在实际抽样调查中，人们常采用部分样本轮换的方式进行抽样调查，然而，它的估计估计与精度如何，尚未见报导。本文试图对常用的分层抽样方式下的部分样本轮换抽样的估计及其精度问题作一探讨；     

基于负数阶矩的正值Alpha稳定分布的参数估计

为了精确估计正值alpha稳定（PAS）分布的参数，基于负数阶矩理论，提出了比值估计、对数矩估计和迭代对数矩估计3种参数估计方法．比值估计直接利用特定阶次的负数阶矩的比值来估计未知参数，对数矩估计利用PAS分布的对数变换及其负数阶矩的Taylor展式从而获得解析的估计形式，迭代对数矩估计通过样本分段迭代估计未知参数．与传统的估计方法相比，所提出的3种估计方法可以获得更高的估计精度，并且对数矩估计具有较低的计算复杂度．MonteCarlo仿真实验表明，当独立运行次数为100、样本总数为5000时，比值估计的估计精度可以达到99．8％，对数矩估计的估计精度可以达到99．95％，迭代对数矩估计的估计精度可以达到99．94％．     

基于HRNet的轻量化人体姿态估计网络

由于算力和内存的限制，目前的人体姿态估计网络难以广泛应用于移动设备、嵌入式平台.针对这个问题，本文以HRNet为基础框架，提出了一种轻量化的人体姿态估计网络X-HRNet，使用ResNeXt模块替换普通的Basic模块以减少网络的参数和计算复杂度.实验结果表明，所提出模型在COCO验证集上取得了78.2%的精度，比HRNet高1.9%，参数量下降了22.2M，计算量下降了27.3GFLOPs.与以往的轻量化人体姿态估计方法不同，所提出的X-HRNet是一种兼顾精度和轻量化的方法，在保持精度的同时有效减少了计算量和参数量，为嵌入式平台提出了一种新的轻量化人体姿态估计网络.     

一种改进的差分前向频率估计

考察基于模/4算法的差分前向频率估计在(8PSK)载波恢复中的应用，在高斯复噪声的影响下，求模运算 引入部分相位模糊点，降低了该算法的估计精度和有效估计范围#提出一种反馈校正的频率估计方案并进行性能 仿真，结果表明该方案有效纠正了模/4运算引入的相位模糊，提高了估计精度，拓宽了有效估计范围。给出了改 进算法的FPGA实现框图。     

正则化的精度矩阵估计的解轨迹

精度矩阵在高斯图模型中具有广泛的应用,许多正则化方法用于精度矩阵的估计问题,然而却很少有对其解轨迹的关注。本文主要利用条件数正则化协方差矩阵估计的方法来探索精度矩阵估计的解轨迹,数值模拟结果表明该轨迹算法可以便捷地描绘出精度矩阵估计的解轨迹。     

矩形域上二重积分的优化Taylor数值积分法

本文给出了矩形域上二重积分的优化Ｔａｙｌｏｒ数值积分法，所得到的选代公式可避免重复计算，能加速收敛到给定的近似值精度，同时给出了相应的误差估计式。     

一般域无穷间断广义二重积分优化中心算法

本文给出一般域内有无穷间断点的广义二重积分优化中心数值积分法，它在迭代计算时加速达到近似值精度，并给出了误差估计式．     

用抽样分布对双参数威布尔分布参数的区间估计

本文提出了一种完全不同于现成方法的、以两个抽样分布为基础的估计仅参数威布尔分布的形状参数和尺度参数的置信限的方法。该法是直接用样本观察值进行估计。虽然由于采用了一阶近似对其中一个抽样分布作了简化处理，从而使估计结果偏于保守，但算例表明，估计结果有足够的精度且优于某些现有的方法。并且该法简便，尤其适于工程应用。     

城市快速路路段行程时间估计方法

为有效提高城市快速路路段行程时间估计精度，本文提出一种基于自适应滤波和网格虚拟车的行程时间估计方法。首先，利用自适应平滑滤波插值获得固定检测器之间的速度数据，实现固定检测器之间的时空速度场重构。然后将重构的速度场细分为若干网格单元，通过计算虚拟车在重构时空速度场的虚拟轨迹估计路段行程时间。最后，选取城市快速路感应线圈实测数据进行实例验证。实验结果表明，本文方法在自由流、平稳流和拥堵流3个运行时段下，均方根误差分别为0.15、0.35和1.06,平均相对误差均低于10%,具有较高的估计精度。     

基于条件随机场的中文科研论文信息抽取

科研论文头部信息和引文信息对基于域的论文检索、统计和引用分析是必不可少的.由于隐马尔可夫模型不能充分利用对抽取有用的上下文特征,因此文中提出了一种基于条件随机场的中文科研论文头部和引文信息抽取方法,该方法的关键在于模型参数估计和特征选择.实验中采用L-BFGS算法学习模型参数,并选择局部、版面、词典和状态转移4类特征作为模型特征集.在信息抽取时先利用分隔符、特定标识符等格式信息对文本进行分块,在分块基础上用条件随机场进行指定域的抽取.实验表明,该方法抽取性能明显优于基于隐马尔可夫模型的方法,且加入不同的特征集对抽取性能提升作用不同.     

基于贝叶斯估计的空间函数型自回归模型及其应用

目的 为了研究函数型数据中响应变量的空间相关性,根据现有研究方法,对具有空间依赖性的函数型数据进行研究,并提出其模型的贝叶斯估计方法。方法 以典型空间自回归模型为基础,根据函数响应变量的空间依赖性,假设响应变量和解释变量间存在内生关系,生成空间函数型自回归模型,通过主成分分析将模型中函数型部分变为离散型,然后在给定先验情况下计算模型中参数的完全条件后验分布,使用贝叶斯MCMC方法进行估计。结果 使用联合Gibbs采样和随机游动的Metropolis-Hastings算法对模型中参数进行估计,通过模拟研究发现：不同参数下模型的函数型系数以及其他参数的估计偏差和均方误差较小,由此验证了贝叶斯估计方法的有效性,同时将空间函数型模型用于重庆市主城区新房平均价格的实证分析,结果表明所提出模型的贝叶斯估计方法是有效的。结论 使用贝叶斯估计方法对模型中参数进行估计,在不同情况下函数型解释变量的估计效果一直都比较好,并且随着样本量的增大,其估计效果也越来越好,可以认为使用贝叶斯估计方法对空间函数型自回归模型进行估计是有效且可行的,同时通过实证分析说明重庆市主城区新房平均价格具有空间自相关性,而且会受到...     

基于特征层融合和随机投影的行为识别算法

提出一种基于特征层融合和随机投影的行为识别算法;该方法提取视频序列的时空梯度特征和Gabor特征;然后进行特征层融合,得到分类能力更强的特征,有效地表征人体行为;同时,使用随机投影对融合后的特征进行降维;最后,为了解决主题模型参数估计迭代复杂的问题,将贝叶斯参数估计法应用于LDA(latent dirichlet allocation)主题模型中,对视频中的行为进行分类。在公开的KTH和Weizmann数据集上进行了实验,结果表明方法不仅比单一局部时空特征描述符识别性能好,而且在相同实验设置下,也优于其他基本分类器。     

部分估计中的比率估计法与简单估计法的优劣分析

对总体的部分子总体的标志值均值及总量进行估计时，[1]中讨论了3种方法：简单估计法(SE)，部分估计法(PE)，比率估计法(RE)，并分别比较了SE与PE，PE与RE的优劣关系．本文则是在此基础上，比较了SE与RE的优劣关系，并得出在一定条件下，SE优于RE的很好结论．     

基于改进的随机森林的人体部件识别

姿态估计是自然人机交互最为重要的环节,人体部件识别是姿态估计的重要步骤。本文介绍了一种基于特征预筛选的改进的随机森林的方法来识别人体各个部件。与传统的随机森林构造不同,在该方法中,对于特征空间十分庞大的实例给出了特征预筛选方法,使得每个分裂节点的特征子集更为高效。该方法既保证了树与树之间的独立,又保证了每棵树的分类性能。在树与树之间的组合中,根据人体部件构造,引入了和分层树的组合模型方式,提高了差异较小类的分类性能,进而提高了森林的准确性。     

随机模拟验证相合性

对于新提出的统计方法,通常需要通过计算机模拟验证其可靠性和有效性。本文以正态分布中未知参数的点估计为例,通过随机模拟的方法来评估性地证明传统参数估计的矩估计方法得到的估计量是真值的相合估计。     

一类非可测二维扩散非平稳过程的局部最佳状态估计

在概率空间 (Ω ,F,p)中 ,研究了信号处理中一类二维扩散非平稳 Markov过程 (θt,ζt) ,0≤ t≤ T的不可观测分量θt依观测结果ζs,s≤ t的最佳状态估计问题 ;探讨了这类随机函数的最佳估计解的唯一性 ,得到了用于估计二维扩散非平稳 Markov过程不可观测分量最佳状态的最佳非线性滤波方程 ,从而达到了解决此类随机信号的检测滤波与最优估计问题     

可纠正多普勒频率误捕的扩频信号捕获改进算法

针对直接序列扩频信号捕获过程中可能存在的多普勒频率误捕问题,提出一种可纠正此误捕问题的伪码捕获改进算法. 该算法利用首次捕获得到的伪码相位估计值对接收信号进行解扩,再通过快速傅里叶变换(FFT)对解扩后的信号进行多普勒频率估计,将首次捕获的多普勒频率估计值与FFT结果幅度最大值对应的频率点进行比较,判断是否发生了多普勒频率误捕,如果发生误捕,进行纠正,给出正确的多普勒频率估计值. 仿真结果表明,该算法能有效纠正多普勒频率误捕问题,得到正确的捕获结果.     

一种用于多值吉布斯随机场的参数估计方法

提出了多值吉布斯马尔可支随机场（ＧＭＲＦ）的一种参数估计算法，它有效地弥补了参数估计的典型算法－－线性参数估计算法在小尺寸图象估计方面的缺憾，具有运算量小精度高的特点。     

2.5 维帧间运动估计方法

图象点深度变化对常用的基于仿射模型的帧间运动估计方法精度影响比较大。针对这种问题，引入了特征点深度相关参数，得到一种基于２．５维模型的帧间运动估计方法。在应用于视频图象序列稳定问题时，数值实验结果证明在图象中景深变化较大的情况下，这种新方法估计的参数比基于纯仿射模型的方法准确，同时还可以得到对图象点相对深度信息（磁撞时间）的粗略估计，而计算量增加很少。