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。     

基于压缩感知的智能天线 DOA 估计算法

波达方向（direction of arrival,DOA）估计是利用具有一定空间结构的天线阵元对空间信源的来波方向进行估计。为解决MUSIC算法和ESPRIT算法在智能天线DOA估计中空间谱分辨率和抗噪声性能方面的不足,依据压缩感知理论的贪婪算法思想,将匹配追踪（matching pursuit,MP）算法和子空间追踪（subspace pursuit,SP）算法应用在DOA估计中,即提出2种新的算法MP-DOA和SP-DOA。这2种算法主要包括原子库建立、信号投影、最佳匹配原子筛选及信号特征提取等过程。4种算法的仿真实验与对比分析结果表明,MP-DOA算法在低信噪比情况下较其他3种算法性能更优越,SP-DOA算法在角度分辨率和对信源数的包容方面的性能较其他3种算法优越,也验证了应用压缩感知理论的优越性。     

机器人多传感器数据融合的两级结构及途径

机器人多传感器数据融合已成为一个活跃的研究领域,然而关于融合模型与途径的系统阐述是缺乏的。该文从信息处理的角度归纳出了一个数据信息融合的两级结构模型,数据级和证据级融合。这一模型较好反映了信息融合的本质.根据这一结构,又给出了运用Biyes参数估计和Dempster-Shafer证据推理相结合的多传感器数据融合的一般途径和步骤,最后加以例证。     

关于大系统的结构扰动与关联稳定(英文)

本文利用非矩阵的偏序和分块矩阵的度量,迭代收(?)等性质,通过孤立子系统的Cauchy矩阵与关联矩阵的积分估计来得到两类系统在关联结构扰动下.各种关联稳定性的代数判据,并且给出了系统的平衡状态在关联结构扰动下不变的吸收区域估计式。     

极值Ⅰ型变异系数估计

利用随机变量变换,分别在完全样本和第Ⅱ型截尾样本的情形下,得到一个求极值Ⅰ型变异系数的置信限的一个简便而有效的办法.     

旧路加宽综合处治技术的模型试验研究

通过旧路加宽室内模型试验可以获得新旧路基间的变形和刚度差异,以及经过加筋处治的路基内压力分布特点,且室内疲劳加载试验可以较有效地测试路面结构内的应力应变状态。试验结果可以用来验证旧路加宽综合处治技术的有效性和可靠性,并可对理论分析结果进行验证。     

多传感器最优信息融合稳态Kalman滤波器

Lagrange乘数法给出了按矩阵加权线性最小方差最优融合估计公式新的推导。在此基础上提出了多传感器最优信息融合稳态Kalman滤波器。其中用迭代法求解局部滤波误差协方差阵所满足的Lyapunov方程,证明了迭代解的指数收敛性,且收敛速度与Kalman滤波器的转移阵的谱半径有关。两传感器目标跟踪系统的仿真例子说明了其有效性。     

基于双率采样数据的动态调节系统辨识

对于双率采样数据的动态调节模型,利用多项式变换得到一个方程误差自回归滑动平均模型,使用估计的噪声项代替信息向量中的未知噪声,提出了辨识双率系统的广义增广随机梯度算法,以及广义增广遗忘梯度算法。仿真例子说明了提出算法的有效性。     

带有色观测噪声的ARMA模型参数估计的三段算法

提出了带有色观测噪声的自回归滑动平均（ARMA）模型参数估计的三段算法。第一段用递推增广最小二乘法（RELS）估计自回归（AR）参数;第二段用Gevers-Wouters算法估计伴随滑动平均（MA）模型参数;第三段用求不相容线性方程组的最小二乘解得到原始MA参数估值。一个仿真例子说明了其有效性。     

带未知模型参数的自校正集中式融合信息滤波器

对于带未知模型参数和噪声统计的多传感器系统,通过系统辨识方法,能够获得模型参数和噪声统计的在线估值,然后把它们代入到基于信息矩阵的最优集中式融合滤波器,得到自校正集中式融合Kalman滤波器。应用动态误差系统分析（DESA）方法,证明了自校正集中式融合Kalman滤波器收敛于最优集中式融合Kalman滤波器,因此它有渐近全局最优性。应用于信号处理的仿真例子说明了其有效性。