一种频域自适应最大似然时延估计算法

提出了一种基于平方相干函数的频域自适应最大似然时延估计算法。该算法构造了一种广义相位数据最大似然加权函数,并通过自适应估计输入信号的平方相干函数加以实现。算法的性能分析和仿真实验表明,该算法有更好的时延估计精度、收敛速度和跟踪性能,能够有效提高低信噪比环境下的低空目标被动声探测的时延估计性能。     

回报率的滤波与极大似然估计

几何布朗运动常用来描述风险资产价格的变动,其中回报率的估计是一个困难的问题.本文给出了回报率的Kalman滤波,对滤波估计与极大似然估计进行了比较分析,运用Monte Carlo技术给出了算例,结果表明Kalman滤波具有明显的优势.     

BICM-OFDM中基于ML算法的迭代信道估计

基于最大似然估计(ML),提出了一种新的联合译码的迭代信道估计算法。该算法利用比特交织编码调制(BICM)中迭代译码的硬判决信息,进行信道估计与译码之间的信息交换。在基于BICM的OFDM系统(BICM-OFDM)中,在短波宽带信道下的仿真结果表明,经过4次迭代,系统的误码率性能收敛。与传统ML算法相比,算法可有效的提高估计精度。     

密集杂波环境下多目标跟踪算法

基于快速数据关联FAFDA(fastalgorithmfordataassociation)滤波算法,根据Houles和Shalom将概率数据关联PDA(ProbabilisticDataAssociation)算法推广到解决两个传感器单目标的跟踪问题的思路,构造了一种两个同类传感器的序列观测数据的融合来跟踪多个机动目标的数据关联方法MSFAFDA(multiplesensorfastalgorithmfordataassoci ation)。本方法主要使用的是点 航迹联合和序列估计法,蒙特卡洛仿真结果表明方法对多机动目标的跟踪具有比FAFDA更好的跟踪性能。     

存在缺失值的ARFIMA模型的最大似然估计

利用状态空间模型中的Kalman滤波可以很好地解决时间序列模型的缺失数据问题。本文通过修改Kalman滤波递推公式解决了长记忆ARFIMA模型的缺失数据问题，得到存在缺失值的ARFIMA模型的最大似然估计。     

Fast method for spreading sequence estimation of DSSS signal based on maximum likelihood function

To estimate the spreading sequence of the direct sequence spread spectrum (DSSS) signal, a fast algorithm based on maximum likelihood function is proposed, and the theoretical derivation of the algorithm is provided. By simplifying the objective function of maximum likelihood estimation, the algorithm can realize sequence synchronization and sequence estimation via adaptive iteration and sliding window.since it avoids the correlation matrix computation, the algorithm significantly reduces the storage requirement and the computation complexity. Simulations show that it is a fast convergent algorithm, and can perform well in low signal to noise ratio (SNR).     

基于证据理论的数据关联算法

数据关联技术是多传感器目标跟踪系统中最核心而且也是最重要的部分。由于缺乏跟踪环境的先验知识以及受传感器自身性能的制约,整个量测过程不可避免地引入量测误差,密集环境中的目标跟踪比较困难。针对这个问题,提出的新算法利用概率数据关联方法进行密集杂波环境下的数据关联,结合证据理论的思想对多传感器量测信息进行优化组合,有效地减小了量测误差对跟踪目标的影响。通过仿真结果可以看出,改进算法大大提高了跟踪精度,并具有良好的抗干扰能力,适用于解决工程实际问题。     

一种新的非视距环境下移动台定位算法

非视距传播已经成为制约蜂窝网络定位的主要障碍。为了抑制和减少非视距传播引起的位置估计误差,提出了一种稳健估计的移动台定位算法———基于最大似然估计的位置估计算法,不需要先验NLOS误差统计特性和时序测量等前提条件,抑制NLOS误差的影响。通过跟传统的最小-均方算法(ordinaryleastsquare)比较,仿真结果表明这种算法有效地提高了在非视距环境下的定位精度。     

基于蚁群算法的最大似然方位估计快速算法

针对最大似然(maximum likelihood, ML)方位估计方法多维非线性搜索计算量大的问题,将连续空间蚁群算法与最大似然算法相结合,提出基于蚁群算法的最大似然 (ant colony optimization based maximum likelihood, ACOML) 估计新方法。该方法将传统蚁群算法中的信息量留存过程拓展为连续空间的信息量高斯核概率密度函数,得到最大似然方位估计的非线性全局最优解。仿真结果表明,ACOML方法保持了原最大似然方位估计方法算法的优良估计性能,而计算量只是最大似然方法的1/15。     

基于最大期望算法的多时变信号DOA估计方法

当多个辐射源同时存在并交替发射信号时,接收数据间相互交错,且多个数据间并无显性关联,无源合成阵列每一次测量仅能获取来波的频率、幅度与相位等数据信息。为了同时、高效地实现多个参数的联合估计,提出采用最大期望算法进行估计多个时变信号参数估计的新方案,将一个高维多参数优化问题分解成多个并行的低维问题进行求解。该方法主要包含求解期望值步骤和期望值最大化两个步骤。求解期望值步骤主要建立接收信号与其辐射源的对应关系,即信号分选,而期望值最大化步骤采用最大似然方法估计辐射源的入射角信息。这两个步骤相互迭代,交替进行辐射源信号的分选与测向。同时,还推导出无源合成圆阵相位差数据的最大似然方法进行入射角的精确估计的闭合形式解,并通过接收信号的复数响应进行相位模糊解算,并推导出测向精度的理论下限。最后,通过数值仿真结果验证了该方法的有效性。     

不确定环境下基于动态子目标搜索的移动机器人导航算法及其实现

在不确定环境下进行移动机器人的路径规划一直是当今机器人研究领域的一个焦点问题和难点问题。采用最短切线法引入动态子目标,通过分析激光检测系统LMS200采集的数据,在导航途中临时产生一系列子目标来代替真实目标点,提出了一种基于最优动态子目标的搜索的最短路径算法SAS,并在此基础上,对算法进行了改进。在仿真和真实环境下的实验结果都表明方法可行有s效,能够满足移动机器人导航的实时性要求,为移动机器人实现无碰撞局部最优路径规划提供了一种新型实用算法。目前该方法已经成功地应用于浙江理工大学移动机器人ZSTU。     

密集杂波环境下的快速数据关联算法

联合概率数据关联(JointProbabilisticDataAssociation,JPDA)是密集杂波环境下跟踪多目标最有效的算法之一。但当目标数目和有效量测数增大时,关联概率的计算出现组合爆炸现象一直是工程应用的瓶颈。基于JPDA算法的思想,提出了一种快速数据关联算法,该方法首先根据被跟踪目标相关门的相交情况将监视区域分成相互独立的空间,对同一空间内具有公共量测的目标和各目标相关门内的多个量测的概率密度值分别进行概率加权后再计算关联概率。不需要象最优JPDA算法中产生所有可能的联合事件,因此具有计算量小,易于工程实现的优点。仿真结果表明,在不同的杂波密度环境下和不同的目标运动形式下,此算法都可以取得令人满意的跟踪效果。     

不同环境应力下可靠性增长单调模型的数据分析

以加速寿命方程作为应力模型,解决利用不同环境应力下可靠性增长试验数据,求试验结束时设备可靠度的置信下限问题.并以逆幂率模型为例,给出了模型参数的极大似然估计,进而求出可靠度的置信下限.模拟研究结果表明,上述方法效果良好.     

多传感器数据融合中的多目标静态数据关联

本文研究了无杂波和漏检的情况下三种不同类型、不同位置的传感器对数目未知的目标进行检测时的静态数据关联问题.这一问题可以通过对测量划分的联合似然函数的极大化来解决,通常可将其转化为三维匹配问题,但其求解的复杂度是NP的.本文提出了一种基于遗传算法的优化算法,来解决三维匹配问题,实验结果表明这种算法具有很高的关联成功率.     

杂波环境下基于meanshift的多目标数据关联

针对杂波背景下多目标的数据关联问题,提出了一种基于meanshift的多目标数据关联算法.该算法首次将meanshift用于多目标的数据关联问题中,首先对接收到的量测数据通过meanshift算法进行聚类处理,然后结合最近邻思想完成量测航迹的关联,在目标密集或交叉的情况下,引入关联度的概念,与PDA相比,在提高关联精度的同时,也降低了计算量.蒙特卡罗仿真结果验证了该算法的可行性和有效性.     

多目标跟踪中的数据关联算法

在目标的正确回落入其跟踪门内的概率PtG <1的情况下 ,推导了联合概率数据关联算法中联合事件发生概率的计算公式。提出了一种能容易地产生多目标和多回波的联合事件的方法———假设树方法。并且提出了一种新的多目标跟踪中数据关联的快速算法。此算法用于解决杂波环境中多目标跟踪的数据关联问题 ,取得了较好的结果。     

SLAM问题中的自适应序贯数据关联

基于马氏距离的最近邻数据关联算法目前在SLAM中得到了广泛应用.通常假设关联对之间的马氏距离服从卡方分布,并根据设定的置信度来选择固定的数据关联阈值.但是通过使用真值运算的SLAM仿真证明关联对之间的马氏距离并非严格服从卡方分布,而是受路标分布、过程和观测噪声以及运动控制量大小的影响.对此提出利用观测数据和移动机器人状态等信息,通过虚拟关联来自适应地调整阅值的方法,并采用序贯关联方法防止路标丢失和增广滞后.仿真表明该方法可以很好地适应环境和噪声的变化,有效地防止虚假路标并降低观测丢弃率.     

基于多维数据的关联规则算法

通过分析多维数据对象属性的关系，结合联机分析处理技术，在建立数据立方体(Cube)的基础上，提出一个基于多维数据的关联规则算法，可以有效提高规则发现和数据挖掘的效率。最后，通过实践证明该算法有效。     

多传感器多目标跟踪中的数据关联

利用多传感器跟踪多目标技术中最重要的问题是目标关联问题。它包括两个方面：同一传感器２次扫描或多次扫描间各目标的关联以及多传感器各自的跟踪航迹之间的关联。在密集目标、高密度杂波和干扰条件下，解决此问题有建立数学模型和计算量方面的困难。常见的算法有ＪＰＤＡ和ＭＨＴ，其模型较准确但复杂，计算量大，实际运用中效果并不理想。本文改进文献［２］中的关联方法，提出一种简单且效果较好的方法，利用线性规划算法实现了一定条件下多目标的关联及跟踪，并进行了仿真和误差分析。     

基于量测转换方法的概率数据关联算法

针对在使用雷达跟踪目标应用中,目标运动模型通常线性地建模在直角坐标系内,而量测数据由传感器获得的实际情况,提出了基于量测转换方法的概率数据关联算法。推导了该算法中相关的滤波估计、滤波误差协方差和数据关联概率,并且提出了跟踪门的确定方法。仿真结果表明了新算法的可行性和有效性。