一类随机动态传递系统中随机信号的优化建模与算法分析

在将普通信息空间中的信息流研究拓广到价值更高、信息量更大的广义信息测度空间中的全方位、多视角随机动态信息流研究的基础上,讨论了随机动态传递系统中一类多维广义部分可观测平稳过程最优滤波与估计的递推滤波算法,深入搜索、挖掘了此类广义过程中一系列有价值的信息,得到了此类广义过程随机信号的最优递推滤波方程与最优估计方程,为进一步研究此类过程的最优控制以及提高此类信号传递系统的效率提供了可靠的理论依据和有效的数学处理手段与方法。     

随机删失数据下基于EM算法的Weibull分布参数估计

生存分析中的观测数据具有样本小、数据随机删失的特点．而目前处理这类问题所使用的参数估计方法并不理想．作者基于EM算法给出随机删失数据下Weibull分布的参数估计方法。证明了估计量满足一个非线性方程组，并用实例表明了此方法的有效性．     

基于EM算法的高斯混合密度参数估计

描述最大似然参数估计问题,介绍如何用EM算法求解最大似然参数估计.首先给出EM算法的抽象形式,然后研究EM参数估计方法的一个应用:求高斯混合密度的参数.推导出高斯混合密度参数的迭代公式.     

EM算法的BFGS加速算法

EM 算法是一种求参数极大似然估计的迭代算法,在处理不完全数据中有重要应用.EM 算法实现简单,数值计算稳定,存储量小,具有良好的全局收敛性,但EM 算法收敛速度慢只是次线性的收敛速度,妨碍了EM 算法的应用.现已提出了多种加速EM 算法收敛的方法.本文是在EM算法的拟Newton加速算法的基础上,使用非线性规划中对称秩2校正公式(BFGS公式)给出了一种新的加速EM 算法收敛的方法.它是针对EM的M步的,在共享 EM算法单调增加似然函数值和稳定收敛的基础上提高EM算法的收敛速度.最后用数值试验结果验证了该加速算法的有效性和可行性.     

混杂随机泛函微分方程修正截断EM算法的强收敛率

对于非线性混杂随机泛函微分方程的数值解,提出一种新的在空间和时间上都截断的EM数值算法.该算法在空间上截断主要针对的是非线性系数,在时间上截断主要改善泛函方程数值算法的复杂度.根据此算法,得出非线性混杂随机泛函微分方程数值解的强收敛率,理论结果表明:强收敛率和Markovian切换有关.最后,给出一个例子说明算法的有效性.     

基于EM算法的食品污染物分布模型

食品中污染物分布情况常用对数正态分布来模拟,在使用中面临着小于检测标准的样本数据缺失问题,本文给出了解决该问题的EM算法.为解决EM算法对检测标准过于敏感的问题,进一步建立了由多个分布叠加的改进模型.通过Monte Cado模拟实验,证明改进模型能更好地模拟食品污染物的分布情况,具有较强的适应性和应用价值.     

GPS／INS组合系统自适应滤波算法

研究了GPS/INS组合系统在高动态运动目标定位中的应用。根据组合系统建立状态方程，GPS观测量构成观测方程。自适应滤波过程中，通过观测数据对观测噪声进行估计，再用Sage-Husa算法在对动态噪声进行估计的同时实现状态滤波估计。计算机仿真验证了这种滤波算法的有效性。     

截断正态分布参数估计的EM算法

用ＥＭ算法解决了截断正态分布参数的估计问题．在Ｍ步计算时，对算法提出了修正．实例计算与计算机模拟表明，修正后的算法属于广义ＥＭ算法（ＧＥＭ算法）．     

基于随机接入的JTIDS抗毁性动态接入算法

基于随机理论提出了一种能够适应JTIDS的节点数动态变化的随机接入算法. 基于随机理论,分析和比较了竞争接入算法和随机接入算法的抗毁性能,并进行了理论验证;基于OPNET建立了竞争接入算法和随机接入算法的仿真模型,通过仿真验证理论分析的合理性. 对随机接入算法的抗毁性能进行了仿真,仿真结果表明,算法能够在不增加额外控制信息的情况下,动态地适应战场环境下网络拓扑结构的变化,提高了接入的可靠性,同时保证了时效性.      

基于EM算法的光滑参数选择

在非参数建模中,可以通过最小化均方误差（mean squared error）来优化光滑参数λ,即需要刻画出均方误差随λ的变化趋势,进而使均方误差最小的λ值即为最优的估计值,但在实际应用中并不知道回归函数的显示表达式,因此方法具有一定的局限性;通过样条回归模型与混合效应模型之间的关系,结合极大似然理论与EM算法去优化光滑参数λ.     

基于遗传算法的动态路径诱导

动态路径诱导（DRGS）是智能运输系统研究的一个重要方面，旨在通过向驾驶员提供基于实时交通信息的最佳行驶路径在来达到诱导出行行为，减少车辆在道路上的逗留时间，进而实现改善城市交通和避免交通拥挤、阻塞的目的。路径牵引算法是DGRS中的重要研究内容，它能计算出给定起讫对之间的的最优或准最优路径，路径牵引算法要考虑一全局准最优和实时性问题，而遗传算法具有全局寻优和潜在的并行性特点，将遗传算法应用于动态路径诱导系统中求解最佳路径，设计了特定的有序选择、交叉和遗传算子，并通过实例验证了算法的有效性。     

基于动态分类算法的入侵检测系统

为了使分类方法适合网络入侵检测系统在线、实时的特点,根据自适应谐振理论提出了基于联想和竞争学习的动态分类算法。算法采用改进的胜者全得方法训练神经网络,通过估算类别数目方法优化初始系数。该算法能防止分类时丢弃特殊模式,并能对未知类别数量的数据动态进行分类,实验采用相同的数据集训练自适应谐振理论网络和动态分类网络。结果证明,动态分类算法具有良好的收敛性和模式分类能力。将该算法应用于入侵检测系统的网络行为智能学习,其误报率仅为10%左右。     

基于动态规划思想的多阶段随机用户平衡配流模型与算法

在随机用户平衡(SUE)配流中引入动态规划的思想,把配流过程看做是多阶段决策过程.根据不变嵌入原理来寻找最优策略,给出了多阶段SUE配流模型与算法.理论分析及实际算例表明,多阶段随机用户平衡配流算法简单可行,计算量小,尤其适用于多"环"网络.     

基于随机模型的适应性DPM算法在Linux下的实现

针对当前电子设备能耗不断增加的问题,对Linux下的动态电源管理进行了研究,在介绍一种基于随机模型的适应性动态电源管理（DPM）算法的基础上,详细给出了该算法在Linux下的实现方案：观察器的代码驻留在内核中,用来观察系统资源的使用情况;策略优化过程利用PCx进行线性规划求解;控制器通过发出硬件命令直接控制硬件．试验结果表明,所提出的DPM算法可以有效地降低系统功耗,在实现中不需要对Linux内核进行很大的修改．对系统性能的影响几乎可以忽略．     

RED算法的随机模型和仿真

运用随机分析的方法建立了一个关于RED(random early detection)队列长度及其指数加权滑动平均值(exponentially weighted moving average,EWMA)的随机模型.对该模型的动态仿真和数值分析表明,它能够很好地预测RED在忙期的动态行为.利用这个模型,RED的参数可以通过简单的数值分析方法进行设置,避免了经验方法在链路特性参数和流量参数变化时所出现的性能问题.     

基于动态设计变量优化算法的非线性模型参数估计

为消除在传统非线性模型参数估计中由于线性化引起的模型误差,提出了一种基于动态设计变量优化的非线性模型参数估计算法·该算法以每个待估计的参数为设计变量,以与设计变量相关的误差函数为目标函数,并将参数约束条件构造在目标函数中,建立参数估计的最优化问题·针对圆形轨道倒立摆动力学模型进行参数估计,证明该算法具有很高的计算精度和较快的收敛速度,是解决非线性模型参数估计的有效方法之一·     

基于Bootstrap方法上的新修正EM算法

对于成分数据的处理往往是进行对数比变换,这时,如果数据中含有零点或是近似零点,变换后就会出现负无穷的数据．因此,对于成分数据中零点或是近似零点的处理就成为成分数据分析中的一个重要的课题,文献中采用了基本线性回归的修正EM算法,文章将此方法进行了改进,提出了基于Bootstrap方法上的修正EM算法,这两种方法均是在迭代的初值给定步骤进行了改进．模拟研究对上述提到的两种方法进行了比较,结果显示此方法相比原有的修正EM算法,算法更为简便,得到的估计更为精确．     

基于EM算法的Poisson-Gamma回归的影响诊断

对于Poisson-Gamma回归模型,将来自于Gamma分布的权重看作缺失数据;在此基础上,引入EM算法;从而利用基于完全数据似然函数的条件期望进行影响诊断分析,并且进一步基于正则曲率方法系统研究了各种扰动模型下的局部影响分析,得到相应的诊断统计量.最后,通过一个实例说明了所得统计量的有效性.