基于分离协方差交叉的全局反馈航迹融合

针对多传感器数据融合中互协方差未知的问题,提出了一种基于分离协方差交叉的全局反馈航迹融合方法,将误差协方差矩阵分离为相关信息误差协方差矩阵和独立信息误差协方差矩阵.在此基础上,提出了分离形式的卡尔曼滤波算法,并设计了全局信息反馈的分布式融合结构,克服了简单凸组合融合算法和协方差交叉算法中将所有的信息一起考虑的缺陷.仿真实验表明:本文算法比简单凸组合融合算法和协方差交叉融合方法具有更小的均方误差.     

基于协方差矩阵的空间平滑解相干算法

空间平滑是相干信号DOA估计中的一种有效算法,但平滑不仅造成了阵列孔径的减小,而且不能灵活地调整子阵的长度,对于不同的子阵,均需要计算协方差矩阵然后求平均,运算量较大。通过分析协方差矩阵的结构,指出在协方差矩阵中包含了所有子阵协方差矩阵的信息,从而可以通过对协方差矩阵的处理,构成前后向子阵的协方差矩阵,避免了子阵协方差矩阵的运算,可以灵活地实现平滑算法。计算机仿真证明了该处理的有效性.     

高维样本协方差矩阵极限谱密度的显式表达式

用Stieltjes变换给出一般高维样本协方差矩阵的极限密度函数的显示表达式, 包括: 样本元素独立且均值为0, 方差为常数的样本协方差矩阵; 一个样本协方差矩阵与单位阵的和; 样本元素方差不等但只取两值的样本协方差矩阵; 两个不同的样本协方差矩阵之和.     

未知噪声协方差的自适应容积卡尔曼滤波

针对噪声协方差不确定情况下容积卡尔曼滤波解决非线性目标跟踪中存在的问题,提出了一种优化的自适应容积卡尔曼滤波.首先根据新息序列和残差序列导出的线性矩阵方程得到噪声的协方差,基于新息序列与残差序列的相关性,推导出一种新的过程噪声协方差Q估计方法;然后采用残差序列对测量噪声协方差进行估计,利用加权因子将当前的噪声协方差矩阵与估计值组合成为新的测量噪声协方差阵R,有效避免了不准确状态估计的局限性.仿真结果表明:在时变噪声协方差的条件下,所提出的自适应容积卡尔曼算法的跟踪精度明显提高.     

非平稳的时空协方差函数

讨论了如何利用时空协方差函数和内在平稳变量图函数获得非平稳时空协方差函数的方法,同时给出了一些新的时空协方差和变差函数.     

相依回归系统参数的一种有偏估计

对二个相依回归方程组成的线性系统,提出两种新的有偏估计广义岭型协方差改进估计和广义岭型两步协方差改进估计．讨论了这两种估计的优良性质,给出的这两种估计是岭型协方差改进估计和岭型两步协方差改进估计的推广．     

协方差改进法在半相依回归模型中的应用

文章系统地总结了协方差改进法及两步协方差改进法在半相依回归模型中的应用，推导了协方差改进估计的具体表达形式。     

逆协方差交叉融合鲁棒Kalman滤波器

分布式状态估计系统通过将多个传感器状态融合以得到更精确的融合结果,当传感器之间的协方差未知时,常采用保守估计的策略,但结果精确度较差。为了在传感器之间互协方差未知时得到更精确的融合结果,引入了逆协方差交叉算法,将其与局部稳态Kalman滤波器相结合,提出逆协方差交叉融合鲁棒Kalman滤波器。它克服了协方差交叉融合（CI）算法保守的缺点,证明了ICI的精度高于CI的精度,并基于协方差椭圆给出ICI、CI和局部传感器精度的几何解释。通过两传感器系统的蒙特卡洛仿真例子表明,其实际精度相比于CI融合鲁棒稳态Kalman滤波器更接近于带已知互协方差的最优融合器的精度。     

混合自回归模型自协方差函数绝对可和的探讨

AR(自回归)模型平稳的充分必要条件是自协方差函数绝对可和,而自协方差函数绝对可和的充要条件又是自协方差函数满足的特征方程所对应的特征根全位于单位圆外.本文证明了在某种特定情形下MAR(混合自回归)模型自协方差函数绝对可和的充要条件是其自协方差函数满足的特征方程所对应的特征根全位于单位圆外.为平稳性的进一步研究获得了一些重要的结果.     

基于协方差矩阵重构的DOA估计方法

针对空间信号的波达方向估计,提出了协方差矩阵重构测向算法。由数据协方差矩阵的特征分解求得信号特征值及其对应的信号特征向量,根据各个信号特征向量构造相应的子协方差矩阵,算法定义一个新协方差矩阵。从理论上证明了新协方差矩阵在信号相干时仍然满秩,新算法在解除信号相干性的同时没有造成阵列孔径的损失。与空间平滑类算法相比,估计同样相干信号数,新算法能节省更多阵元。仿真实验证实了新算法优越的分辨能力和估计性能。     

Hilbert空间中算子广义逆的共变性质

主要研究了Hilbert空间中算子的共变性质，给出了共变条件的充要条件；此外，考虑了EP算子的共变性质，并且证明了相同值域空间的EP算子具有相同的共变．     

方向随机效果模型及其协方差结构

定义了方向随机效果模型(DREM)．这个模型是由随机效果Rasch模型发展而来．当连接函数是多项式或指数函数时，给出了DREM的协方差结构．当连接函数为一般形式时，给出了DREM的近似协方差结构．这些协方差结构和近似协方差结构与线性随机效果模型的协方差结构有相似的形式。     

LSDBL(p,q,r)模型的频域分析

针对下次对角双线性（ＬＳＤＢＬ）模型进行研究,计算出了该模型的自协方差函数、互协方差函数和双互协方差函数,在此基础上得到了该模型的谱密度、互谱密度和双互谱密度。由于在该类模型的双谱密度难于求出,本文用双互谱来分析其非线性性质。     

高频数据下基于LSTM的协方差矩阵预测模型

协方差矩阵的建模与预测,对于金融风险管理、投资组合管理等至关重要。 针对时间序列模型 对高维变量预测精度较低的问题,利用长短记忆神经网络模型(LSTM),提出了基于深度学习的高频数据已 实现协方差矩阵预测模型。 利用金融高频数据得到已实现协方差矩阵,对其进行 DRD 分解,针对相关系数 矩阵 R 进行向量化处理,利用向量异质自回归模型(HAR)预测已实现相关系数矩阵 R;针对已实现波动率 矩阵 D,利用半协方差(semi covariance)思想,结合 LSTM 模型,得到已实现波动率矩阵 D 的深度学习预测模 型,构建了 LSTM-SDRD-HAR 已实现协方差矩阵动态预测模型。 LSTM 模型和 HAR 模型能捕捉实际数据 的长期记忆性,半协方差有利于捕捉金融数据的杠杆性。 实证分析表明:相较于传统向量 HAR 已实现协方 差矩阵预测模型,LSTM-SDRD-HAR 预测已实现协方差矩阵更为准确,基于 LSTM-SDRD-HAR 预测已实现 协方差矩阵构造的有效前沿组合投资效果更佳。     

约束UKF初始参数对Bouc-Wen模型参数识别的影响

为获得约束UKF初始参数对模型参数识别的影响规律,针对Bouc-Wen模型给出基于约束UKF在线参数识别方法,通过数值模拟分析初始状态估计均值与协方差、过程噪声协方差、观测噪声协方差等滤波器初始参数对模型参数识别精度与收敛速度的影响,提出相应的参数取值建议.结果表明：在无模型误差的情况下,约束UKF对初始参数的设置具有较好的鲁棒性;适当地增大初始状态估计协方差,减小过程噪声,采用真实系统观测噪声协方差以及减小初始参数值与真实值的偏差,可以有效提高参数识别收敛速度和精度.该研究为基于约束UKF的非线性结构模型在线参数识别方法提供了参考.