跳变值的研究

着重研究了当系统在奇异函数激励下,如何根据微分方程式去确定跳变值,从而进一步求出系统的响应     

具马尔可夫跳变参数不确定系统基于SLQ最优控制器的鲁棒镇定

考虑了随机系统的最优控制器的鲁棒性问题．使用Lyapunov方法,基于标称系统的二次最优控制器,得到了具有马尔可夫跳变参数和参数不确定性系统的鲁棒稳定性的代数判据.保持了原来对保成本权矩阵Q和R的不定性的要求．并给出了数据实例．     

具有Markovian参数的随机时滞微分方程的指数稳定性

利用指数鞅公式、Lyapunov函数和一些不等式,给出了Hilbert空间中具有Markovian参数的随机时滞微分方程为指数稳定的充分条件．这是对已有结果的完善和推广．     

时变转移概率IMM-SRCKF机动目标跟踪算法

给出了一种交互多模型(interacting multiple model,IMM)算法中Markov转移概率矩阵在线修正的方法,并将平方根容积卡尔曼滤波器(square-root cubature Kalman filter,SRCKF)引入到IMM算法中,提出一种时变转移概率的机动目标跟踪IMM-SRCKF算法。该算法利用当前量测中包含的模式信息,对IMM算法中的转移概率矩阵进行实时递推估计,避免了常规IMM算法中转移概率先验确定的困难,提高了模型切换速度和跟踪精度;同时,SRCKF以目标状态协方差的平方根进行迭代更新,确保了滤波过程中协方差矩阵的对称性和半正定性,改善了数值精度和稳定性。仿真实验结果表明,该算法对机动目标的跟踪性能优于常规的IMM及IMM-CKF算法。     

基于不确定性描述的云化Markov链状态预测方法

针对Markov链在预测概率发生跳变时无法有效地衡量样本归属程度的问题,提出一种云化Markov链的状态预测方法,通过云模型描述和处理样本的不确定性。该方法将划分的状态区间视作一种概念,利用云模型对其进行云化表示,据此计算样本对各概念的确定度,得到概念之间的概率转移矩阵,从而实现带有随机特性的状态预测。概念转移概率作为关键随机变量,对其进行了核密度估计。最后以多次随机实验的概率和提取代表性转移概率分别给出了仿真实验结果,表明该不确定性描述的预测方法在解决Markov链预测概率跳变现象的同时,可通过确定度的分配有效地表述样本的归属程度,具有较好的实用性。     

三维微波成像中基于对比源反演的扩展方法

采用基于非线性对比源反演算法的成像方法来重建放置在微波暗室内的三维电介质目标。在成像方法中采用正则化方法和频率跳变(frequency hopping, FH)方法等扩展手段。三维实测微波数据的实验设置是多频率、多收发分置的。三维实测微波数据的重建结果验证了基于对比源反演算法的扩展成像方法在三维微波成像中应用的可行性和精确性,是一种有应用前景的解决三维微波成像问题的处理方法。     

人口迁移的空间相互作用、Markov链和线性规划分析——以福建省南平市为例

以福建省南平市10个县域人口的空间迁移数据为资料,首先基于双约模型,计算人口迁移的合理格局,然后利用Markov链预测将来人口迁移的趋势,最后借助线性规划计算人口的合理分布.结果表明:(1)人口迁移的不对称性显著.(2)远期人口分配仍以延平区、邵武市为最大,建瓯市、建阳区位于第二梯队.(3)武夷山市和建阳区作为行政区划调整后的核心地区,应该加强基础设施建设,以增强辐射能力.     

影响模式转换市场下期权定价的因素

研究了影响模式转换市场下期权定价的因素。首先对模式转换市场下期权定价的三叉树模型进行了分析研究,并证明了其合理性;从而得出,影响模式转换市场下期权定价的因素主要是生成矩阵和不同模式下波动率的差值;然后通过数值算例,利用Matlab编程,证明了波动率对模式转换下期权定价的影响,并针对生成矩阵为对称矩阵的情况,通过数值算例说明了其对期权定价的影响。     

部分转移概率马尔科夫时变时滞系统的镇定

研究一类带有部分未知转移概率的连续时间马尔科夫跳变时变系统的稳定性和镇定问题．引入自由连接权重矩阵方法得到一个较小保守性的稳定性判据．以线性矩阵不等式的形式得到状态反馈控制器存在的一个充分条件．最后,给出数值例子说明所提方法的有效性．     

Markov逻辑网在重复数据删除中的应用

为了解决和突破现阶段重复数据删除方法大多只能针对特定领域,孤立地解决问题的某个方面所带来的不足和局限,提出了基于Markov逻辑网的统计关系学习方法。该方法可以通过计算一个世界的概率分布来为推理服务,从而可将重复数据删除问题形式化。具体采用了判别式训练的学习算法和MC-SAT推理算法,并详细阐述了如何用少量的谓词公式来描述重复数据删除问题中不同方面的本质特征,将Markov逻辑表示的各方面组合起来形成各种模型。实验结果表明基于Markov逻辑网的重复数据删除方法不但可以涵盖经典的Fellegi-Sunter模型,还可以取得比传统的基于聚类算法和基于相似度计算的方法更好的效果,从而为Markov逻辑网解决实际问题提供了有效途径。