贝叶斯估计和尺度空间滤波相结合的滤波方法

提出了一种贝叶斯估计和尺度空间滤波相结合的滤波方法。信号的小波系数表现出很强的非高斯统计特性,其密度函数可以用推广的拉普拉斯先验分布建模。利用贝叶斯估计能够较好地提取出信号的小波系数,再由小波逆变换恢复信号。贝叶斯估计较好地保留了信号的边缘信息,但滤波信号尚不够平滑。尺度空间滤波在保留信号边缘的同时,还有很好的平滑作用。两者相结合有很好的滤波效果。     

基于卡尔曼粒子滤波算法的锂电池SOC估计

基于UTS分容柜所测得的实验数据,建立了18650锂电池的三阶Thevenin模型。将扩展卡尔曼滤波算法(Extened Kalman Filter,EKF)作为粒子滤波算法(Particle Filter,PF)的重要密度函数形成了扩展卡尔曼粒子滤波算法(Extened Kalman Particle Filter,EKPF)。对于EKPF算法在重采样过程中存在的样本退化、多样性丧失的问题,提出了一种通过权值排序的优胜劣汰粒子选择算法。采用通过该方法改进的EKPF算法对所建立的三阶Thevenin模型进行电池荷电状态(State of Charge,SOC)估计,实验结果表明,改进EKPF算法的SOC估计精度优于EKF算法和PF算法的SOC估计精度。     

基于贝叶斯估计的高精度ISAR成像

基于贝叶斯估计原理,提出了一种贝叶斯逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像算法。基于最大后验概率准则建立ISAR成像模型,利用回波数据进行统计参数估计,以实现ISAR成像的自适应表征,从而提高ISAR成像的精度。特别是运动误差相位估计和ISAR图像的重构通过求解最优化问题实现,而未考虑误差相位的具体形式,具有较高的鲁棒性。此外,本文方法在低信噪比 (signal-to-noise ratio, SNR)条件下,可以取得良好的聚焦效果,具有较好的噪声抑制能力。最后,贝叶斯估计问题转换为最优化问题进行求解,利用快速傅里叶变换及其逆变换（fast Fourier transform/inversed fast Fourier transform, FFT/IFFT）和矩阵对应点乘（Hadamard乘积）操作,有效提高该算法的效率。基于实测数据的实验验证了本文算法的有效性。     

基于贝叶斯估计的高精度ISAR成像

基于贝叶斯估计原理,提出了一种贝叶斯逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像算法。基于最大后验概率准则建立ISAR成像模型,利用回波数据进行统计参数估计,以实现ISAR成像的自适应表征,从而提高ISAR成像的精度。特别是运动误差相位估计和ISAR图像的重构通过求解最优化问题实现,而未考虑误差相位的具体形式,具有较高的鲁棒性。此外,本文方法在低信噪比 (signal-to-noise ratio, SNR)条件下,可以取得良好的聚焦效果,具有较好的噪声抑制能力。最后,贝叶斯估计问题转换为最优化问题进行求解,利用快速傅里叶变换及其逆变换（fast Fourier transform/inversed fast Fourier transform, FFT/IFFT）和矩阵对应点乘（Hadamard乘积）操作,有效提高该算法的效率。基于实测数据的实验验证了本文算法的有效性。     

基于经典贝叶斯方法的滤波模型参数估计

滤波模型作为一种主要的剩余寿命统计预测模型,其成功地工程应用很大程度上取决于参数的估计。而现代设备的昂贵造价、多次可靠性试验的不现实性导致了样本数据不足,这使得采用传统的参数估计方法不够准确。针对这种情况,首先利用专家对某些参数做出一定判断产生的主观数据对参数进行估计,然后,随着设备的投入运行和不断积累的客观数据,采用贝叶斯方法综合主客观数据进行参数估计。最后,通过案例和仿真算法表明了这种方法的优越性。     

基于Kalman滤波算法的Volterra级数核估计及其应用

为了进一步提高Volterra级数模型在混沌时间序列预测中的精度以及核估计的收敛速度,提出利用自适应Kalman滤波算法对Volterra级数核进行估计的一种新方法。同时,在混沌动力系统相空间重构的基础上,采用关联维数法和最大Lyapunov指数法,对船舶运动时间序列进行混沌特性判定,并对船舶横摇运动时间序列进行多步预测。仿真表明,与归一化最小均方(normalization least mean square, NLMS)算法和最小二乘(recursive least-square, RLS)算法的Volterra级数模型相比,基于自适应Kalman滤波算法的Volterra模型在收敛速度与预报精度方面均优于NLMS算法和RLS算法,为实时在线预报提供了理论依据。     

基于贝叶斯决策的机内测试虚警滤波技术

提出了一种将贝叶斯决策用于机内测试(RIT)系统的虚警滤波方法.诊断的BIT系统包括正常、瞬态、间歇和故障四类状态,利用最小最大决策法确定这四类状态的先验概率,并建立相应的贝叶斯风险决策表.以机载电源的机内测试系统为例进行研究,为每个诊断模块建立相应的贝叶斯决策器,通过支持向量机识别出有异常的可更换模块后,启动相应的决策器对该模块的BIT状态进行决策.结果表明,该方法能够识别出系统中的瞬态和间歇故障,可有效降低BIT虚警发生的概率.     

基于异步估计自适应Kalman滤波系统设计

一般的Kalman滤波器时系统噪声和测量噪声统计特性要求较为严格,当统计特性存在不确定性时,估计会造成较大的估计误差,甚至使滤波器发散.针对此问题,在基于新息的自适应估计和极大后验估计的基础上对Q和R进行异步估计;以某型号光纤惯性测量装置和GPS系统为背景的仿真实验结果表明,该方法能够有效地对Q和R存在不确定的组合导航系统的误差状态变量进行估计,并能较好地保证自适应滤波器的收敛性,进一步提高了估计精度.     

基于贝叶斯收缩估计的有影响力消费者识别

在应用网络科学方法寻找有影响力的消费者时,大多数以往研究存在着一个重要假设:消费者之间的相互影响为正,或无影响,并未考虑到消费者之间可能存在的负向影响.鉴于此,本文放松以往的假设,把消费者之间的相互作用设定为正向,负向以及无影响.为了验证以上假设,本文以虚拟世界中4429名消费者之间构建的186253条朋友关系链为样本,应用泊松回归来估计消费者之间的相互影响.为了提升估计的效率,本文提出了一种基于贝叶斯收缩的新估计方法.研究结果表明:相比于以往假设提出的模型,基于本文假设提出的模型能够更好地拟合数据.本文的研究不仅从理论上验证了消费者之间负向影响的存在,也为企业寻找有影响力的消费者提供了一种更为精确的方法.     

基于贝叶斯估计噪声相关下的CKF设计

针对常规容积卡尔曼滤波(cubature Kalman filter, CKF)要求系统噪声和量测噪声必须互不相关的局限性,提出了一种带相关噪声的非线性离散系统CKF设计方法。基于贝叶斯估计准则,给出了系统噪声和量测噪声相关时CKF滤波递推公式,并采用三阶球面-相径容积规则来近似计算系统状态的后验均值和协方差。当系统噪声和量测噪声相关时,常规CKF不适用,本文设计的噪声相关下的CKF可以有效地对状态进行估计,拓展了CKF的应用范围。数值仿真验证了算法的有效性。     

Multiple-model Bayesian filtering with random finite set observation

The finite set statistics provides a mathematically rigorous single target Bayesian filter(STBF) for tracking a target that generates multiple measurements in a cluttered environment.However,the target maneuvers may lead to the degraded tracking performance and even track loss when using the STBF.The multiple-model technique has been generally considered as the mainstream approach to maneuvering the target tracking.Motivated by the above observations,we propose the multiple-model extension of the original STBF,called MM-STBF,to accommodate the possible target maneuvering behavior.Since the derived MMSTBF involve multiple integrals with no closed form in general,a sequential Monte Carlo implementation(for generic models) and a Gaussian mixture implementation(for linear Gaussian models) are presented.Simulation results show that the proposed MM-STBF outperforms the STBF in terms of root mean squared errors of dynamic state estimates.     

基于贝叶斯压缩感知的CSR稳健参数估计方法

针对“完全扰动”情况下压缩感知雷达(compressed sensing radar, CSR)观测矢量和感知矩阵严重失配,进而引起参数估计性能急剧下降的问题,提出了一种基于贝叶斯压缩感知(Bayesian compressed sensing, BCS)的稳健参数估计方法。首先构造“完全扰动”情况下CSR参数估计的稀疏线性模型,并从稀疏矢量的最大后验概率(maximum a posteriori, MAP)出发,推导了完全扰动矩阵服从柯西分布时的优化目标函数;随后通过稀疏矢量和尺度参数的交替迭代,求得稀疏矢量的最优解。与现有重构算法及其改进算法相比,该方法能够有效改善CSR系统应对失配误差的稳健性,提高目标成功检测的概率和参数估计的精度。计算机仿真实验验证了该方法的有效性和鲁棒性。     

基于简化路网模型的卡尔曼滤波多步行程时间预测方法

针对目前多步行程时间预测方法研究较少,存在未来一段时间内的观测值不能及时得到的问题,提出基于简化路网模型的卡尔曼滤波多步行程时间预测模型和算法.综合运用上游路段、当前路段的实时和历史行程时间数据,从历史数据中寻找与当前日期交通状况最接近的历史日期,解决卡尔曼滤波未来一段时间内没有观测值而无法进行多步预测的问题.实验表明,算法能够合理地预测未来几个时段的路段行程时间,有效地避免了时滞性.同时,多步行程时间预测算法的精度高(尤其是4步以内,均等系数达到0.9以上), 是一种可行的预测方法.     

基于融合先验方法的贝叶斯网络结构学习

从数据中学习贝叶斯网络结构是一个非确定性多项式困难(non deterministic polynomial hard,NP-hard)问题,当数据样本不充分时难以获得准确的模型,此时利用先验信息是一种有效的途径。但是利用先验信息的过程中如何适应不正确的先验信息,是一个待解决的问题。针对此问题,提出一种融合先验的方法进行贝叶斯网络结构学习,在评分搜索法的两个环节中解决这个问题:第一,提出了新的融合不确定先验信息的评分函数,考虑了先验信息与数据集的权衡。第二,提出了融合不确定先验信息的搜索策略,增强先验信息利用的鲁棒性。所提方法适用于任何启发式搜索。仿真结果表明了所提方法能有效地利用正确的先验信息,而且对错误的先验信息有较强的适应能力。     

基于滤波器网格失配的分布式相参雷达目标参数估计方法

针对分布式相参雷达(distributed coherent aperture radar, DCAR)精确的目标参数估计问题,首先建立了以多普勒分复用(Doppler division multiple access, DDMA)波形作为发射波形、存在滤波器网格失配的DCAR信号模型,接着分析并验证了滤波器网格失配严重影响目标参数估计进而降低DCAR信号相参合成性能,最后提出了联合全局-局域搜索和基于稀疏傅里叶变换(sparse Fourier transform, SFT)的两种DCAR目标参数估计方法来降低滤波器网格失配,联合全局-局域搜索的方法通过对滤波器局域加密的方式降低网格失配。为了降低运算量,利用目标信号频率相对于整体频域是稀疏的特性,采用基于SFT搜索的方法通过梯度下降的方式避免滤波器的遍历搜索。仿真实验验证了所提方法的有效性。     

基于动态指导滤波的显著性检测方法

显著性检测是指自动提取未知场景中符合人类视觉习惯的兴趣目标的方法。为了进一步提高检测的有效性,同时降低像素类检测算法的计算量和复杂度,提出了基于动态指导滤波的图像显著性检测方法。在新设计的简单迭代指导滤波中,核函数不再像经典指导滤波器那样只利用固定的指导图像,而是利用了输入图像和动态指导图像的联合结构信息,它保证了指导图像对原输入图像较好的结构传递性。其次,为了节约算法的时间成本,采用采样的方式降低算法计算中需要的计算量。最后,为了提取更有效地的显著性区域,引入了关键显著性区域提取方法,通过修正关键点集合得到更准确的目标区域。实验结果表明,相比于其他像素类的显著性检测方法,该算法可以更快速和有效地检测出显著性目标。     

基于矩阵摄动理论的联邦滤波信息分配方法

针对软故障条件下系统估计精度和容错性问题,将矩阵摄动理论引入联邦滤波器,提出并证明了"全局污染上界定理"。在此基础上,提出一种引入权衡因子的自适应信息分配策略,能够根据具体应用场合灵活调整局部滤波精度和容错性,尤其适合于软故障情况下改善无故障子滤波器的抗污染能力。最后通过SINS/GPS/ADS组合导航仿真证明该方法的有效性和可行性。