基于近似思想的增广PF研究

由于传统的增广卡尔曼滤波方法难以有效解决带有未知参数估计的强非线性、非高斯动力学问题。针对这一问题,在对粒子滤波算法研究的基础上提出了基于近似思想的增广粒子滤波方法。这一方法利用高斯随机游走模型对未知参数进行增广建模,再通过粒子滤波方法进行状态估计。为了提高观测新息的利用率,提出了一种新的重要性函数;针对高斯随机游走模型方差不断增大的问题,采用了修改后的Kernel平滑模型进行解决;对粒子重采样方法进行了修改,采用了混合重采样的策略,增强了粒子活性。通过算例进行仿真,验证了算法的有效性。     

一种无迹粒子PHD滤波的多目标跟踪算法

针对粒子概率假设密度滤波(P-PHDF)算法估计精度低、滤波发散和粒子退化的缺陷,提出了一种无迹粒子PHD滤波(UP-PHDF)算法.该算法以UKF算法产生重要性函数并从中采样通过观测值更新粒子的权值,再用加权的粒子估计PHD函数,进而得到优化的状态估计均值和方差进行传播最后,对UP-PHDF算法进行了分析和实现,并将该算法和P-PHDF算法进行了比较.仿真结果表明,UP-PHDF算法不仅大大提高了滤波估计的精度,同时提高了跟踪系统的稳定性和鲁棒性.     

基于动态贝叶斯网的时变样本空间无监督学习

提出了针对概率分布参数时变的样本空间的参数估计问题,由于一般的聚类和EM算法等参数估计方法是针对概率分布时不变的样本空间的问题所采用的。因此,对于概率分布时变的样本空间而言,这些方法均不能有效、准确地估计实时变化的样本参数。通过构建动态贝叶斯网,利用先验和后验的知识进行预测和滤波,结合贝叶斯增量式学习方法并充分利用了其学习所获得的样本空间概率模型变化演进的规律,这样可以较准确、平滑地学习实时概率模型及其分布参数。     

编码辅助的数字调制混合信号单通道盲分离

针对编码辅助的同频数字调制混合信号单通道盲分离问题,提出一种基于因子图的盲分离算法.在广义分配率准则下,为算法建立了合理的因子图模型.算法采用前向-后向算法表述不同时刻混合信号同步参数之间的关系,利用和积消息传递机制,将混合信号的参数估计、序列检测和信道译码有机结合起来,并使用粒子滤波算法解决了未知连续变量的积分问题,实现了编码辅助的同频混合信号单通道盲分离.仿真实验表明,算法能够很好地利用信道编码信息,在较低信噪比条件下,实现了混合信号同步参数与符号序列的联合估计.     

双站纯方位空时软约束无迹粒子滤波算法

针对双站纯方位机动目标跟踪中由信息不完全和非结构化测量环境导致的有界混合似然问题，提出空时软约束无迹粒子滤波算法。针对目标先验未知，利用光电经纬仪对极几何约束测量空间点，预测空间曲面中心计算转弯率；为覆盖多域似然，采用无迹变换技术更新目标状态，引入模糊测度调制重要性函数；为保持估计方差维数不变性，根据狄拉克后验采样提取目标状态。仿真结果表明，对于典型的双站经纬仪跟踪空域点目标，相比于Rao-Blackwell多模型粒子滤波，提出算法的计算复杂度与单模型粒子滤波量级相当；相比约束辅助粒子滤波算法，提出算法的滤波精度提高了27%～41%。     

Rao-Blackwellised粒子滤波SLAM的一致性研究

Rao-Blackwellised粒子滤波SLAM(RBPF SLAM)算法的复杂度与特征个数呈线性关系,对于大规模SLAM有明显的计算优势,但是该算法不能长时间满足一致性要求,必须进行改进。采用归一化估计方差NEES对算法的一致性进行了分析,得出粒子耗尽是造成算法不一致的原因,并分别采用辅助粒子滤波及正则粒子滤波对算法进行改进,以得到一致的RBPF SLAM。最后,通过大量的Monte-Carlo仿真实验,验证了方法的有效性。     

基于集合卡尔曼滤波的改进粒子滤波算法

提出一种基于集合卡尔曼滤波的粒子滤波改进方法。该方法利用集合卡尔曼滤波的最大后验概率估计产生粒子滤波每一时刻各粒子的建议分布函数,使建议分布函数融入最新观测信息的同时,更加符合状态的真实后验概率分布。该方法在对粒子滤波的建议分布进行估计时使用采样方法近似非线性分布,且采样点数灵活可变,使计算精度和算法效率得到提高。仿真结果表明,提出的集合卡尔曼粒子滤波的估计性能明显优于标准粒子滤波、扩展卡尔曼粒子滤波和无迹粒子滤波。     

基于固定滞后滤波平滑的弹道重构算法

为有效利用雷达测量的飞行数据进行弹箭的实际弹道重构,建立了弹道重构需要的状态方程和量测方程,考虑模型的非线性和重构状态非高斯分布的可能性,结合Bootstrap粒子滤波给出一种一步固定滞后滤波平滑算法的实现,并将其作为弹道重构的估计工具。算例仿真表明,相比于Bootstrap粒子滤波和无迹卡尔曼滤波,该Monte Carlo平滑算法可以进一步提高估计的精度,为弹道重构提供一种新的有效工具。     

一种粒子滤波预处理方法

粒子滤波(Particle Filter)是一种基于蒙特卡罗(Monte Carlo)的贝叶斯滤波方法,通常的SIR方法存在严重的粒子匮乏现象。用大权值粒子和小权值粒子的组合来取代小权值粒子,可以减小粒子权值方差,增加粒子多样性。仿真结果表明,在状态估计的初期,使得粒子迅速靠近高似然区域,精度得到了大幅度的提高。同时,算法的实时性也有很好的改善,适用于观测噪声和状态噪声较小的情况。     

矢量脱靶量测量系统定位算法研究

提出了一种基于空间目标运动轨迹提取的矢量脱靶量参数估计新方法。该方法利用不同接收天线接收的目标回波信号之间的相位差得到距离差,基于距离差定位方法获得目标运动轨迹的空间定位点序列。通过建立目标运动模型,采用固定区间Kalman平滑滤波的方法获得目标运动的较精确轨迹。利用平滑滤波后的空间位置点,通过对一组线性方程进行求解得到矢量脱靶量参数的估计。仿真结果表明该定位方法可以得到满意的脱靶量估计结果。     

基于自适应变异PSO-SVM的APU性能参数预测模型

为提高辅助动力装置(auxiliary power unit,APU)性能参数预测的精度,针对支持向量机(support vector machine,SVM)模型在实际使用中遇到的参数选择问题,采用自适应变异粒子群优化(particle swarm opti-mization,PSO)算法实现对SVM惩罚参数和核参数...     

基于联合局域相关向量机的雷达导引头状态预测方法

针对雷达导引头机电结构组成复杂、性能指标测试数据信息利用率不足、使用传统基于数据驱动的状态预测方法精度不高的问题,借鉴相关向量机(relevance vector machine,RVM)和Dempster-Shafer (D-S)证据理论,提出了一种基于证据融合和改进局域RVM的状态预测方法。首先,对标准RVM回归模型进行改进,通过构建方差高斯核函数(variance Gauss kernel function, VGKF)来提高核函数的全局性能和泛化能力;然后通过借鉴混沌序列局域预测法中邻近点个数的选取方法,利用Hannan-Quinn (H-Q)准则对训练空间预测嵌入维数进行优化,避免了主观选取的盲目性,完成了改进局域相关向量机模型(local relevance vector machine, LRVM)的构建;最后,利用具有近似退化规律的同源装备测试数据对LRVM进行了改进,通过D-S证据理论对两种模型的预测结果进行了融合,建立了联合局域相关向量机(united local relevance vector machine, U-LRVM)模型。通过对导引头相关参数的实例预测,验证了该方法的可行性和优越性。     

基于改进稀疏KELM的在线非平稳动态系统状态预测方法

本文针对基于核的增量超限学习机(kernel based incremental extreme learning machine，KB-IELM)对非平稳动态系统的时变状态跟踪能力不足的问题，提出一种新型的状态预测方法。通过融合遗忘因子和自适应时变正则化因子构建新的目标函数。通过最小化字典的快速留一交叉验证(fast leave-one-out cross-validation, FLOO-CV)误差，选择具有预定规模的关键节点以构成字典。通过融合遗忘因子，为字典中各关键节点按时间顺序分配不同权重。基于FLOO-CV原则，使用天牛须搜索(beetle antennae search，BAS)算法为不同的非线性区域赋予不同的正则化参数。通过矩阵初等变换和分块求逆，实现核权重向量的在线递推更新。将模型应用于非平稳Mackey-Glass混沌时间序列预测和某型飞机发动机的状态预测。所提算法相比于最新的非平稳在线序列核超限学习机(non-stationary online sequential kernel extreme learning machine，NOS-KELM)和融合自适应正则化因子的在线稀疏核超限学习机(online sparse kernel extreme learning machine with adaptive regulation factor, OSKELM-ARF)两种方法，其训练精度分别提升了66.67%、50.72%、预测精度提升了67.02%、56.34%，最大预测误差减少了67.27%、51.09%，平均相对误差率分别减少了67.18%、59.62%。实验证明所提算法有效提升了在线预测的精度。     

基于改进稀疏KELM的在线非平稳动态系统状态预测方法

本文针对基于核的增量超限学习机(kernel based incremental extreme learning machine,KB-IELM)对非平稳动态系统的时变状态跟踪能力不足的问题,提出一种新型的状态预测方法。通过融合遗忘因子和自适应时变正则化因子构建新的目标函数。通过最小化字典的快速留一交叉验证(fast leave-one-out cross-validation, FLOO-CV)误差,选择具有预定规模的关键节点以构成字典。通过融合遗忘因子,为字典中各关键节点按时间顺序分配不同权重。基于FLOO-CV原则,使用天牛须搜索(beetle antennae search,BAS)算法为不同的非线性区域赋予不同的正则化参数。通过矩阵初等变换和分块求逆,实现核权重向量的在线递推更新。将模型应用于非平稳Mackey-Glass混沌时间序列预测和某型飞机发动机的状态预测。所提算法相比于最新的非平稳在线序列核超限学习机(non-stationary online sequential kernel extreme learning machine,NOS-KELM)和融合自适应正则化因子的在线稀疏核超限学习机(online sparse kernel extreme learning machine with adaptive regulation factor, OSKELM-ARF)两种方法,其训练精度分别提升了66.67%、50.72%、预测精度提升了67.02%、56.34%,最大预测误差减少了67.27%、51.09%,平均相对误差率分别减少了67.18%、59.62%。实验证明所提算法有效提升了在线预测的精度。     

金融风险管理中ES度量的非参数方法的比较及其应用

预期不足(ES)是近几年发展起来的用于测量和控制金融风险的量化工具.在金融时间序列中, 将两步核估计应用于两步ES非参数估计之中,得到了ES模型的两步核光滑估计. 通过计算其期望和方差,比较了两步核光滑ES估计与ES完全经验估计及一步核光滑估计的优劣,得到了有趣的结论: 与VaR模型不同, 两步光滑化并不能减小ES估计的方差,反而会增大其方差, 并通过计算机模拟证实了理论获得的结论.对国内沪深两市中的封闭式基金进行了实证分析,计算了样本基金的ES完全经验估计、一步核光滑估计和两步核光滑估计,并计算了样本基金基于周收益率和ES的两步核光滑估计的风险调整收益(RAROC),以此对样本基金的业绩做出了评价. 实证分析表明: 在不同的置信水平下,基于周收益率和ES计算的风险调整收益排名比基于周收益率和VaR计算的风险调整收益排名要更加稳定.     

考虑全过程优化的支持向量机预测方法

针对支持向量机（support vector machine, SVM）预测过程中影响因素选择、输入特征集优化、核函数选择及参数优化方面存在的问题,提出了一种全过程优化方法。首先使用频繁模式增长关联规则分析和模糊贝叶斯网络组合模型来解决影响因素选择中存在的主观性问题,然后使用在异常值处理和类内距离与类间距离方面进行改进的模糊C均值聚类算法优化输入特征集,减小支持向量机预测模型冗余度及训练样本集过修正度,通过比较各核函数的特点选择径向基核函数作为SVC的核函数,改进了粒子群优化算法中微粒速度和位置函数及惯性权重值算法,使用该方法优化SVM参数并建立预测模型。最后，通过案例运算和分析,证明该文方法具有更高的预测精度。     

基于Hull-White扩展模型的欧氏期权动态定价方法

欧式期权的动态定价过程可归结为：实际价格观测、模型选择、状态变量估计以及下一时刻期权定价的动态循环。为使这一定价过程兼具序贯性、准确性及易行性,设计了一种基于Hull-White扩展模型的动态定价方法：以平稳仿射随机波动率模型作为基础模型,在仅存有限个期权合约时,根据实际期权价格曲面,使用粒子滤波方法估计瞬时方差,并在固定显式参数下,更新Hull-White扩展模型;进而利用前向特征过程,实现下一时刻的期权定价。实证表明：相比于固定参数及参数学习下基于对比模型的一般风险中性定价,使用基于Hull-White扩展模型的动态定价方法时,期权定价准确性和稳定性均显著提升。     

基于多Agent粒子群优化的多步SVR模型预测控制

提出一种基于多Agent粒子群优化支持向量回归机（support vector regression, SVR）参数的优化算法,并利用该算法建立多步预测控制模型,对非线性系统进行预测控制。通过预测控制的机理推导出满足滚动优化目标函数的多步预测输出的控制律。将该模型与基于遗传算法优化的RBF神经网络预测控制器、基于粒子群优化的多步SVR模型预测控制器和基于遗传算法优化的多步SVR模型预测控制器进行比较分析,仿真结果表明该预测控制模型优于其他控制器,具有良好的预测性能,可有效的对非线性系统进行预测控制。     

电子系统状态时间序列预测的优化相关向量机方法

针对电子系统状态时间序列的预测问题,提出一种基于量子粒子群优化（quantum behaved particle swarm optimization, QPSO）的相关向量机（relevance vector machine, RVM）方法。对电子系统状态时间序列进行相空间重构,建立了RVM回归预测模型;以交叉验证误差最小作为优化目标,将RVM核参数表示为量子空间中的粒子位置,采用QPSO算法实现RVM模型参数的自动优化选择。雷达发射机状态时间序列预测实例表明,相比已有方法,所提方法具有更高的预测精度;同时,能够输出预测值的置信区间,有利于对电子系统未来健康状况做出更加可靠的判断。     

考虑随机失效阈值的设备剩余寿命在线预测

退化失效阈值是影响设备剩余寿命预测的重要因素。针对现有剩余寿命预测方法忽略失效阈值随机性影响的问题,提出考虑随机失效阈值的设备剩余寿命在线预测方法。首先,基于带测量误差与随机效应的非线性Wiener过程构建设备退化模型;其次,采用极大似然估计(maximum likelihood estimation, MLE)算法估计退化模型参数与随机失效阈值分布系数;然后,在考虑随机失效阈值的基础上推导出设备剩余寿命的概率密度函数(probability density function, PDF),并基于Bayesian原理实时更新退化模型参数,实现对剩余寿命的在线预测。最后,将该方法应用于陀螺仪剩余寿命在线预测分析,结果表明该方法能够有效提高剩余寿命预测的精度与准确性。