基于粒子滤波的检测前跟踪算法的改进

针对基于粒子滤波的检测前跟踪(PF-TBD)技术在弱目标的跟踪定位中,目标检测概率较低的问题提出改进。首先,对重要性密度函数进行重新构造,在只包含弱目标的运动模型预测数据的基础上,将实际观测数据与其一起构成的后验概率密度函数作为改进后的重要性密度函数。其次,在满足该后验概率密度函数的分布中,选取一定数目的粒子,在对目标的下一状态估值中,采用MMSE算法,推导出满足最小均方误差的表达式,而且通过引入概率粒子滤波算法,在计算上避开了积分运算。通过仿真实验表明,改进的PF-TBD算法不仅计算简单,而且提高了弱目标检测概率。     

基于数据扩展的动态贝叶斯网络预测方法

将数据扩展方法应用于动态贝叶斯网络的参数学习中,利用随机抽样算法对小样本数据进行数据扩展,并采用贝叶斯后验概率公式对扩展数据进行修正,同时计算观测数据的后验概率,然后在扩展数据的基础上,完成动态贝叶斯网络的学习和推理.仿真实验表明这种方法可以降低预测模型中节点的联合效应所造成的误差积累,提高模型的预测精度.     

基于马尔科夫随机场的合成孔径雷达图像分割方法

提出了一种基于MRF模型和最大后验概率准则的SAR目标切片图像分割方法.该方法通过对SAR目标切片图像中不同的区域所占比例进行统计分析,得到了一种有效分割的迭代初值选择方法.本文给出了模拟退火算法,ICM算法,吉布斯抽样算法对模拟图像和实测SAR图像目标区域进行了分割,结果表明,采用本文提出的方法可以加速迭代的收敛过程,降低迭代次数,提高分割速度.     

广义非线性模型的Bayes估计

针对广义非线性模型的参数估计问题,提出了从参数的条件后验分布中抽取观测值来估计参数值的Bayes估计法.利用贝叶斯统计分析中蒙特卡洛抽样方法中的M-H算法和Gibbs抽样算法相结合的混合算法进行分析,通过参数的条件后验分布抽取出每次迭代时的参数值,并利用参数的样本路径图和均值遍历图验证迭代时马尔科夫链的收敛性;计算马尔科夫链达到收敛后参数的后验均值得到参数的Bayes估计;通过对产品销售数据的实证分析,比较Bayes估计和极大似然估计的偏差,验证M-H算法和Gibbs抽样算法在对广义非线性模型的参数进行Bayes估计时的简洁性、有效性以及可行性.     

带区间参数的贝叶斯网的近似推理

 用区间概率代替贝叶斯网中的点概率,将贝叶斯网扩展为带区间参数的贝叶斯网,使得贝叶斯网更具一般性.用规范概念的计算规则进行区间概率的计算,用Gibbs采样的近似推理法对带区间参数的贝叶斯网进行近似推理,计算后验概率.并给出近似推理的算法和实验,实验结果表明该方法是有效的.     

超几何分布概率任意精度算法及其实现

超几何分布的概率计算在抽样方案设计中是计算接收概率的基础,十分重要,常用的算法有阶乘对数法和递推算法.为评价超几何分布概率函数近似算法的实际精度,给出概率的精确数值,提出了超几何分布概率任意精度算法的解决方案.该方案首先采用质因数分解算法将概率函数分解成最简质因数分式,其次设计任意精度算法类,然后通过Visual C++实现,并给出了应用实例.     

基于贝叶斯理论的粗糙集规则提取

提出采用贝叶斯理论提取信息不相容和不完备的试验数据规则.首先以试验数据汇总表的确定性(可信度)为先验概率、试验数据的样本数(支持度)为后验概率,然后计算组合规则的条件概率,提取条件概率大于某一阈值的规则,最后通过逻辑合取与析取归并提炼规则.实例计算和应用分析表明,采用贝叶斯理论提取规则的算法概念明确,计算过程简单,便于编制计算机程序,最大限度避免了规则提取中的知识失真和规则丢失.     

一种用于多目标跟踪的改进PDA算法

对概率数据关联滤波(probability data association filter, PDA)算法进行了改进.新算法考虑了临近目标对航迹更新的影响,修正了关联门相交区域内回波来自被跟踪目标的后验概率.仿真证明,新算法在计算量和PDA算法接近的情况下减少了误跟踪和目标丢失现象.     

基于MMSE的声码器解码算法

为满足在高误码率的窄带信道上进行语音通信的需求 ,研究了一种适用于甚低速率语音通信的抗误码参数估值算法。基于一定的解码状态 ,声码器通过最小均方误差(MMSE)估计的方法估计最优参数 ,充分降低信道误码对重建语音质量的影响。对于解码状态参数 ,通过计算最大后验转移概率的方法作最佳估计 ,并给出了一种简化的估计方法。这种抗误码算法计算量小 ,算法复杂度低。仿真结果表明 ,在不同误码率下用该算法恢复出的重建语音 ,不论客观评价或是主观评价 ,其质量都要优于传统的帧删除掩盖方法     

一种基于贝叶斯后验的异常值在线检测及置信度评估算法

为识别一类更新速度快、变化趋势平缓、缺少人工类标的大数据量工业时间序列中所存在的异常值,提出了一种以贝叶斯后验为基础的异常值在线检测及置信度评估算法.算法将预测检测和假设检验相结合,首先建立时间序列自回归模型,然后对预测残差作基于贝叶斯原理的后验检验,用后验概率对数比确定序列中的异常值.为减少识别过程中的误判,在检测完成后,利用自组织映射神经网络计算状态转移概率,进一步对已标记的异常值进行置信度评估.通过定期更新模型,算法各参数能动态保持与数据变化规律同步,提高了检测的准确率.实验结果表明,该算法能够对时间序列异常值准确快速地进行在线检测,同时给出可靠的置信度评估,具有较高的实用价值.     

基于Bayesian方法的参数估计和异常值检测

异常值检测是当前数据分析研究中的一个重要研究领域。模型中的异常值会直接影响建模、参数的估计、预测等问题。基于模型的异常值检测,传统的做法是先对模型参数进行估计,再进行异常值检测。而异常值的存在会影响参数估计,从而导致下一步异常值检测的不可靠;反之异常值检测也会影响参数估计。针对这些不足之处,提出了基于 Bayesian 方法的参数估计和异常值检测,此方法可以将参数估计和异常值检测同时实现,具体做法是在线性回归模型中引入识别变量,基于 Gibbs 抽样算法,给出识别变量后验概率的计算方法,通过比较这些识别变量的后验概率进行异常值定位,同时给出参数的估算方法。通过大量的模拟实验,结果表明,与传统方法相比,提出的方法对异常值更灵敏。     

Bayes网络在机械故障概率估计中的应用

提出了将bayes网络应用于机械故障诊断。主要是为了解决如何从机组运行状态数据中来推断出机组发生某种故障的可能性,从而为进一步的诊断维护提供依据。Bayes网络是一个具有一系列条件概率的有向无循环图。本文采用两层结构的网络模型,上层为旋转机械的故障样本集,下层为症状属性样本集。根据给出的各故障发生先验概率以及各症状节点的条件概率和泄漏概率,利用网络的推理计算,求出机组发生各种故障的后验概率大小。从而达到预测发生某种故障可能性的目的。实例验证了该方法的可行性和正确性。     

基于小数据集贝叶斯网络建模的偏差源诊断方法

针对装配过程尺寸偏差的小样本检测条件,提出了基于条件独立性检验的结构学习算法,结合柔性装配偏差关系模型,推导了贝叶斯网络子节点的先验条件概率,将小数据集与先验概率融合并获得贝叶斯网络参数,实现了装配偏差影响因素的贝叶斯网络建模,并用于某车型侧围装配过程的偏差源诊断.结果表明,所提出的偏差源诊断方法具有较高的准确性.     

基于径向基函数网络的混沌时间序列分析

给出了基于径向基函数网络的混沌时间序列预测的方法。利用非线性自回归移动平均（ＮＡＲＭＡＸ）模型对非线性时间序列进行辨识并给出基于动态径向基函数（ＲＢＦ）网络的辨识算法。将这一方法应用到Ｈｅｎｏｎ映射的混沌时间序列的嵌入维估计及我国股票市场的混沌现象的实证研究,得到理想的结果。文章最后指出了进一步的研究方向。     

基于Logistic回归、Markov过程和改进灰自助法的导弹备件需求预测

 为了提高预测间断性需求导弹备件的精度,提出一种基于Logistic回归、Markov过程和改进灰自助法的组合预测模型。将样本序列划分为解释变量序列和自相关序列,对解释变量采用Logistic回归模型预测提前期非零需求发生概率,对自相关序列采用Markov过程估计提前期非零需求发生概率,把这两方面组合得到提前期非零需求发生概率,再运用改进灰自助法进行需求分布确定,得到最终的提前期需求。改进灰自助法先进行Bootstrap抽样,进行GM(1,1)二次数据拟合,既克服了Bootstrap法在小子样下的重复抽样问题,又克服,Bootstrap法在小子样下仿真结果不可信的问题。实例表明,提出的组合预测方法降低了预测误差,说明了该方法的有效性、可行性和实用性。     

核电厂设备冷却水系统动态可靠性评估方法

核电厂设备冷却水系统作为一类双重冗余的系统,存在复杂的动态时序失效行为。传统故障树分析法缺乏对时间因素的描述,对设备冷却水系统中的动态时序问题分析假设过于保守。针对上述故障树分析法的局限性,结合动态故障树(dynamic fault tree, DFT)和动态贝叶斯网络(dynamic Bayesian network, DBN),提出了一种核电厂设备冷却水系统动态可靠性评估方法。首先在设备冷却水系统结构功能的基础上构建系统DFT模型;然后根据转化规则将DFT模型转化为DBN模型;最后通过DBN正向推理得到设备冷却水系统可靠度曲线,反向推理得到根节点的后验概率排序,敏感性分析识别系统薄弱环节。评估结果表明：所提出的方法能够为提高系统智能维修维护水平和可靠性提供依据。     

以概率为基础的地震动持续时间小区划

提出了以概率为基础的地震动持续时间小区域的方法，它以一定的“衰减”规律，采用泊松模型和断层破裂模式，并以定的概率水准来表示，它概率一致的其它地面运动参数小区划相结构可为人造地震波和应用双重破坏准则的抗震设计提供概率一致的持续时间参数，使地震参数小区划有更新的突破。     

基于小波方法的空间风速场模拟

为克服随时间变化模型基于适应过滤器和窗口估计方法中窗口长度不宜过大,产生的短时时间序列模拟准确性不够高的缺点,应用小波分解方法,结合线性滤波器法的向量过程自回归(AR)模型,给出了模拟空间脉动风场的一种新方法.该方法对于AR模型自回归系数在空间上进行小波扩展,采用最小二乘法来估计AR模型的自回归系数,并给出了该方法模拟空间风速场的实现步骤.将该方法应用于一空间结构的风速场模拟,并给出了模拟结果与目标值的对比,以及与向量过程AR模型模拟结果的对比,结果证实该方法可以减少风速时程分析在频域上的信息损失,对短时时间序列模拟具有较高的准确性,并具有较高的计算效率.     

时间延迟估计的循环相关法

依据离散时间序列的长度有限性,将其扩充为以序列长度为周期的周期序列,又依据周期序列的相关原理———循环相关,对信号进行时间延迟估计.由于循环相关的平稳特性,即使在较大延迟量存在的情况下,仍然能够达到准确的时延估计效果.模拟得到了不同强度的高斯噪声或不同时间延迟量下的广义相关能量图和循环相关能量图.模拟实验结果表明,在低信噪比或大延迟量的环境下,循环相关时延估计方法比广义相关时延估计方法具有明显的优势.     

基于最速下降的混沌时间序列参数估计和滤波

提出了从被加性高斯白噪声污染的混沌时间序列中同时估计混沌系统参数和滤除序列噪声的新方法．并假定产生非线性时间序列的模型已知,但相应的参数未知．这种新方法把对混沌时间序列的参数估计和滤波看作是一种最小化过程,并利用了最速梯度下降方法解决．数值模拟实验表明,新方法要优于现有的方法,是估计混沌系统参数和滤波的一种有效方法．