量子态估计简介及其在超导电路电动力学系统中的应用

量子态估计是量子计算以及量子调控的基础,一般分为量子态层析,即对未知量子态(或过程的初态)进行估计,以及量子滤波,即对量子态进行实时的估计.本文首先介绍了近年来量子态层析技术新的进展,内容包括极大似然方法,压缩感知方法和线性回归方法,并分析了它们的适用范围及各自的优缺点.进一步,基于量子计算的成熟载体超导电路电动力学系统,介绍了基于连续弱测量对量子态进行实时估计的贝叶斯方法,并分析了贝叶斯估计的适用情形.进一步,通过仿真实现了量子贝叶斯估计,可以很容易发现贝叶斯方法能够精确地实时追踪量子态的演化.     

一种反延时电路的可靠性评估

针对反延时难以实现的状况,提出了用延时电路并联实现反延时的方法,并用极大似然法和经验Bayes法讨论了系统可靠性评估问题,给出了系统失效率、可靠度和平均寿命等可靠性指标的估计。利用计算机Monte-Carlo随机模拟的方法对可靠性指标的Bayes估计和极大似然估计进行比较,结果表明,经验Bayes估计优于极大似然估计。     

贝叶斯学习中的线性联合先验

提出了贝叶斯学习中先验分布选取的一个新技术。该技术将若干个可能的先验进行加权平均,形成一个以权重为参数的线性联合先验,并通过选取权重参数得到一个最合适先验的一个近似。证明了线性联合先验的似然与其组合参数的似然的等价性,并提出了用极大似然或矩估计的方法来确定权重参数的值,从而得到一个最合适的线性联合先验。提出的线性联合先验及确定方法,使得可以利用样本数据对已知先验进行校正,导出未被发现的更合理的先验,从而使贝叶斯学习更为有效。     

动态模糊极大似然估计算法

在机器学习中,一个广泛的应用是对模型的参数进行估计,即极大似然估计(MLE),EM算法是根据点估计中的MLE改进的一种迭代算法,是求极大似然估计的一种强有力的工具,但它收敛速度较慢,于是引入α-EM算法,克服了EM算法的缺陷.由于学习的过程中可能存在着大量的缺失数据及其动态模糊性,给出基于不完全数据的动态模糊极大似然估计算法并给出实例验证.     

后向散射系数的贝叶斯估计

后向散射系数是合成孔径雷达图像中重要的物理参数.由于合成孔径雷达测量系统的噪声干扰和其他不确定因素影响使得测量数据往往不够精确,这就需要对测量数据进行合理估计.为了对后向散射系数做出准确合理的估计,文章将后向散射系数的先验知识考虑进去,给出了后向散射系数的三种贝叶斯估计算法.贝叶斯估计的关键是概率密度模型的选取.例中选用贝塔(Beta)分布作为先验概率密度模型,伽玛(Gamma)分布作为条件概率密度模型得到了合理的估计结果,并与最大似然估计(ML)算法进行了比较,比较结果表明在对后向散射系数的估计中,贝叶斯估计算法要明显优于最大似然估计算法.     

水平门限同积模型参数的拟极大似然估计

提出了用于非平稳非线性时间序列建模的水平门限同积模型,给出了模型参数的拟极大似然估计,由于对门限参数和同积向量似然函数既不可微也不光滑,不能直接运用传统的极大似然估计．因此首先利用遗传模拟退火算法估计门限参数和同积向量,然后用极大似然估计计算其余的参数,仿真结果表明,拟极大似然估计不受模型维数限制具有有效性和可行性,此外,数值计算结果的比较分析表明遗传模拟退火优于传统的遗传算法、模拟退火和随机搜索等优化算法．     

基于D-vine Copula理论的贝叶斯分类器设计

高斯判别分析、朴素贝叶斯等传统贝叶斯分类方法在构建变量的联合概率分布时,往往会对变量间的相关性进行简化处理,从而使得贝叶斯决策理论中类条件概率密度的估计与实际数据之间存在一定的偏差.对此,结合Copula函数研究特征变量之间的相关性优化问题,设计基于D-vine Copula理论的贝叶斯分类器,主要目的是为了提高类条件概率密度估计的准确性.将变量的联合概率分布分解为一系列二元Copula函数与边缘概率密度函数的乘积,采用核函数方法对边缘概率密度进行估计 ,通过极大似然估计对二元Copula函数的参数分别进行优化,进而得到类条件概率密度函数的形式.将基于D-vine Copula理论的贝叶斯分类器应用到生物电信号的分类问题上,并对分类效果进行分析和验证.结果表明,所提出的方法在各项分类指标上均具备良好的性能.     

极大似然估计的递推计算灵敏度算法

极大似然估计的递推计算灵敏度算法崔平远，吴瑶华，黄文虎，李乃宏（哈尔滨工业大学航天工程与力学系１５０００１）关键词连续－离散系统，极大似然估计，灵敏度，正交试验玉引言采用极大似然法对连续一离散系统进行参数估计，实际上是一个似然函数的优化计算问题，而其...     

基于极大似然目标状态估计的传感器管理

为估计目标运动的状态估计量,设计相应的传感器管理方案,文章依据贝叶斯概率知识,采用极大似然的最优化方法来估计目标运动的状态估计值;依据目标状态估计的误差协方差矩阵与其Fisher信息矩阵间的联系,推导似然函数关于目标状态各个分量的偏导数;采用随机离散时间系统知识,推导出对角式Fisher信息矩阵所有对角线上的各个元素;以Fisher信息矩阵的迹范数作为传感器管理中的最优代价函数,采用0-1整数规划算法来求解传感器的分配矩阵;最后将极大似然的目标状态估计及其相应的传感器管理方案应用于无人直升机的飞行控制系统中,以验证本文方法的有效性。     

基于RSSI差分似然估计的WSN节点定位算法

为了克服接收信号强度测量误差对无线传感嚣网络(WSN)节点自身定位精度的影响.在对极大似然估计定位算法和接收信号强度指示(RSSI)模型分析的基础上,定义了个体差异差分系数、距离差分系数和距离差分定位方程,把离目标节点最近的信标节点作为参考节点对基于RSSI的测距进行差分修正,并将测距差分修正和极大似然估计相结合提出了一种测距差分修正极大似然估计定位算法.算法通过RSSI进行测距,无需增加额外硬件开销,容易实现.定位精度可达2.5 m以下,适合于处理能力和能量有限的WSN节点定位.     

一种面向ERP外包项目的开发成本估算方法

对于软件项目而言,项目成本的有效控制是每个项目取得成功的标志之一。恰当的软件开发成本估算方法将大大提高成本估算的稳定性和可靠性,从而提高项目经理对项目成本的有效控制。本文在深入分析目前业界常用的软件项目开发成本估算方法的基础上,针对ERP外包软件项目开发生命周期的特点,提出了以ERP程序单元为最小单位的一种项目开发成本估算法,即FRICE估算法。该估算方法已经在大量ERP外包软件项目中得到了成功应用、实践和验证,它能有效地帮助项目经理对项目开发成本进行估算、控制和管理。     

一种改进的路口背景频度估计算法

从路口视频图像中实时地构建道路背景图像是基于背景减法的车流量检测的前提。由于路口车流信息复杂，图像受外界环境因素影响大，现有的背景估计算法都有不足之处。该文提出了一种改进的频度背景估计算法，通过离散样本图像，实时地构建背景。该方法不仅算法简单、实时性高，而且增强了在背景估计时对光线变化的适应性，提高了背景建模的准确度，可适用于基于视频的路口信号灯的智能控制系统。     

Finite-time estimation for a class of systems with unknown time-delay using modulating functions-based method

Time-delay systems are widely used to model real problems. Most of the works on such systems assume prior knowledge of the delay, which is mostly unknown in real applications. This paper aims to fast and robustly estimate unknown delay, parameters, and output derivatives for a class of linear time-delay systems in noisy environment. First, the classical modulating functions method is combined with the recursive least square algorithm and the Gauss–Newton method to estimate the coefficients and the time-delay, respectively. Second, the generalized modulating functions method is adopted to provide algebraic integral formulas to estimate the output derivatives using the estimated parameters. Finally, numerical simulations are given to demonstrate the efficiency and robustness of the proposed methods.     

系统参数和状态联合估计

文［１］提出了多变量系统所有参数同时估计的联合辨识算法。本文将讨论系统参数和状态的联合估计算法。其特点是在估计系统参数的同时，可获得系统状态的估计，这为状态反馈设计控制器提供了极大方便。文中还给出了仿真例子。     

Optimal linear granulometric estimation for random sets

This paper addresses two pattern-recognition problems in the context of random sets. For the first, the random set law is known and the task is to estimate the observed pattern from a feature set calculated from the observation. For the second, the law is unknown and we wish to estimate the parameters of the law. Estimation is accomplished by an optimal linear system whose inputs are features based on morphological granulometries. In the first case these features are granulometric moments; in the second they are moments of the granulometric moments. For the latter, estimation is placed in a Bayesian context by assuming that there exists a prior distribution for the parameters determining the law. A disjoint random grain model is assumed and the optimal linear estimator is determined by using asymptotic expressions for the moments of the granulometric moments. In both cases, the linear approach serves as a practical alternative to previously proposed nonlinear methods. Granulometric pattern estimation has previously been accomplished by a nonlinear method using full distributional knowledge of the random variables determining the pattern and granulometric features. Granulometric estimation of the law of a random grain model has previously been accomplished by solving a system of nonlinear equations resulting from the granulometric asymptotic mixing theorem. Both methods are limited in application owing to the necessity of performing a nonlinear optimization. The new linear method avoids this. It makes estimation possible for more complex models.     

分布网络中离散时间系统的平滑算法*

本文考虑具有一个中心处理器和两个局部处理器下的估计结构的平滑合成问题,讨论了当已知局部滤波估计和当已知局部平滑估计时两种情况下的分布平滑估计,并导出了合成算法。     

Implementing a Multi-Model Estimation Method

We revisit the problem of parameter estimation in computer vision, reconsidering and implementing what may be called the Kanatani's estimation method, presented here as a simple optimisation problem, so (a) without any direct reference to a probabilistic framework but (b) considering (i) non-linear implicit measurement equations and parameter constraints, plus (ii) robust estimation in the presence of outliers and (iii) multi-model comparisons.Here, (A) a projection algorithm based on generalisations of square-root decompositions allows an efficient and numerically stable local resolution of a set of non-linear equations. On the other hand, (B) a robust estimation module of a hierarchy of non-linear models has been designed and validated.A step ahead, (C) the software architecture of the estimation module is discussed with the goal of being integrated in reactive software environments or within applications with time constraints, while an experimentation considering the parameterisation of retinal displacements between two views is proposed as an illustration of the estimation module.     

指纹图像质量评估的研究与应用

指纹图像质量评估是自动指纹识别系统(AFIS)中重要的一个环节。指纹采集仪采集的指纹图像质量对预处理及指纹识别的效率有很大的影响。分析了现有的指纹采集细则,对有效面积、灰度变换、干湿、位置偏移等方面对指纹图像质量的影响进行了深入的探讨,并提出一种改进的基于边缘细节点信息的指纹图像质量评估方法,对采集到的指纹图像进行质量评测,为图像的预处理提供质量较高的指纹图像。实验证明,该方法对不合格的指纹图像有较好的过滤效果,有利于提高整个系统的效率。     

Extension of unbiased minimum-variance input and state estimation for systems with unknown inputs

This paper extends the existing results on joint input and state estimation to systems with arbitrary unknown inputs. The objective is to derive an optimal filter in the general case where not only unknown inputs affect both the system state and the output, but also the direct feedthrough matrix has arbitrary rank. The paper extends both the results of Gillijns and De Moor [Gillijns, S., & De Moor, B. (2007b). Unbiased minimum-variance input and state estimation for linear discrete-time systems with direct feedthrough. Automatica, 43, 934–937] and Darouach, Zasadzinski, and Boutayeb [Darouach, M., Zasadzinski, M., & Boutayeb, M. (2003). Extension of minimum variance estimation for systems with unknown inputs. Automatica, 39, 867–876]. The resulting filter is an extension of the recursive three-step filter (ERTSF) and serves as a unified solution to the addressed unknown input filtering problem. The relationship between the ERTSF and the existing literature results is also addressed.     

Unbiased minimum-variance input and state estimation for linear discrete-time systems

This paper addresses the problem of simultaneously estimating the state and the input of a linear discrete-time system. A recursive filter, optimal in the minimum-variance unbiased sense, is developed where the estimation of the state and the input are interconnected. The input estimate is obtained from the innovation by least-squares estimation and the state estimation problem is transformed into a standard Kalman filtering problem. Necessary and sufficient conditions for the existence of the filter are given and relations to earlier results are discussed.