协变量随机缺失的广义半参数模型

在协变量随机缺失条件下,研究了广义半参数模型的加权拟似然估计方法,给出了未知参数与非参数回归函数的估计.进一步求出了估计的渐近偏差和渐近方差,并证明了所给出的加权拟似然估计具有渐近正态性.     

基于GA-BP算法的IRT模型参数估计方法研究

针对IRT模型的参数估计过程中传统的统计方法难以解决迭代初值要求严格等问题,提出利用遗传算法(GA)优化神经网络(BP)、共同求解IRT模型项目参数的GA-BP算法,提高收敛能力和求解精度。将GA-BP算法与BILOG算法进行对比,通过实验验证了GA-BP算法的正确性及合理性。     

基于自适应权重PSO的模型参数估计算法

将自适应权重PSO算法应用到了模型参数估计中,提出了基于改进PSO算法的模型参数估计算法,介绍了该算法用于模型参数估计的步骤和方法,并采用所提算法对线性模型和非线性模型两个实例进行了仿真研究,证明了改进PSO算法应用于模型参数估计的有效性,参数估计的效率和精度均优于传统方法.     

基于仿射投影算法的AR模型参数估计方法

为取得更有效的预报效果,在深入分析传统LMS（Least mean square）算法的基础上,提出利用仿射投影算法对AR模型参数进行自适应估计,利用实测的动态数据结合AIC（Akaike information criterion）准则建立自适应AR（Autoregressive）预报模型,并将该模型应用于船舶运动预...     

基于双线性模型的新协状态预测算法

对非线性动态系统最优控制问题,基于双线性模型提出了一种新协状态预测算法,该算法每次迭代只需要进行简单的代数运算,计算量与Ｓｉｎｇｈ和Ｈａｓｓａｎ的协状态预测算法相当,大量仿真例子表明,新算法收敛特性优于Ｓｉｎｇｈ和Ｈａｓｓａｎ的协状态预测算法的收敛特性。     

基于自适应Lasso的缺失数据图模型选择

考虑数据完全随机缺失情形下的高斯图模型选择问题.在惩罚似然方法的框架下,基于自适应Lasso惩罚提出自适应MissGLasso方法,并结合EM算法和GLasso算法对协方差逆阵进行估计.通过模拟发现,与MissGLasso方法相比,自适应MissGLasso方法在图模型选择和协方差逆阵估计上具有较优的表现.     

响应变量缺失下部分线性模型均值的稳健估计

为了提高估计的稳健性,基于协变量平衡倾向得分和增强的逆概率加权方法,得到了响应变量随机缺失下部分线性模型总体均值的稳健估计,证明了相应估计量具有渐近正态性,利用所得结果构造了总体均值的置信区间.     

基于SA-MCMC算法的非线性测量误差模型的影响分析

研究了非线性测量误差模型的影响分析.首先把模型中有误差的不可观测的数据当作是缺失数据,接着用SA-MCMC算法得到了模型参数的最大似然估计,然后考虑用Q函数代替可观测数据的对数似然函数来进行影响分析,得到了建立在Q函数上的局部影响分析的诊断统计量.最后用具体的例子说明了诊断统计量的有效性.     

基于改进3D-ESPRIT算法的三维GTD模型参数估计

三维旋转不变子空间（3D-ESPRIT）算法估计三维几何绕射理论（GTD）的散射中心模型时,参数精度不高,噪声鲁棒性较差,为此,提出一种改进的3D-ESPRIT算法.通过构建原始回波数据的共轭矩阵、对协方差矩阵叠加、取平均、平方处理,可提高对目标原始回波数据的利用率,并增大信号特征值与噪声特征值之间的差距,增大了信噪比,从而提高参数的估计精度.基于不同算法估计得到的三维GTD模型参数,比较了不同算法估计的参数均方差.仿真结果表明,改进算法的参数估计性能及噪声鲁棒性均优于经典3D-ESPRIT算法和改进的免配对3D-ESPRIT算法.     

基于联想记忆系统的模型参数估计

在离散泰勒级数型联想记忆系统（ＤＴＳ－ＡＭＳ）的基础上，提出了一种模型参数在线估计方法，为ＤＴＳ－ＡＭＳ在智能控制和信号处理领域中的应用提供了新的途径。数字仿真表明了该方法的可行性和有效性。     

基于奇异值分解的Box-Jenkins模型参数估计算法

基于奇异值分解和递推广义增广最小二乘原理,提出了Box-Jenkins模型参数估计的一种递推算法.常规的递推广义增广最小二乘算法对舍入误差较为敏感,会导致协方差矩阵失去正定性和对称性,产生病态条件问题,引起数值不稳定现象.为了改善参数估计的性能,利用协方差矩阵的奇异值分解技术,推导出Box-Jenkins模型估计算法.该算法辨识精度高,收敛速度快,数值稳定性好.仿真表明,随着噪信比的增大.新算法仍然具有良好的性能.     

基于EM算法的联合调制识别与参数估计

针对低信噪比情况下单节点接收调制识别率低的问题,提出了一种基于多节点接收与混合最大似然的调制识别算法。多节点同步接收后将基带信号发送到融合中心,使用混合最大似然实现全局分类判决,通过空间分集提高低信噪比下调制识别的性能。为了解决联合似然函数中多维未知参数难以直接求解的问题,将未知发送符号序列表示成隐藏变量后采用EM算法实现未知参数的最大似然估计。给出的算法在平坦衰落信道下实现了BPSK、QPSK、8PSK、16QAM信号的调制识别与参数估计。与基于矩的算法相比,基于EM迭代的最大似然估计提高了未知参数的估计精度。仿真实验结果表明,当采用四节点同步接收,在信噪比大于-2dB时,平均正确识别率能够达到95%以上。     

基于Kalman滤波器和遗传算法的参数估计方法

提出了一种基于Kalman滤波器和遗传算法的系统参数估计方法,可以对带测量噪声和过程噪声的线性系统中的未知参数进行有效估计。理论分析和数据仿真表明,此方法能较好地处理已知数据中的噪声,并且能应用于系统未知参数存在较复杂关联的情况。     

基于PSO的非线性马斯京根模型参数率定新方法

针对目前马斯京根河道洪水演进模型参数率定中所存在的线性化、求解复杂、精度差等问题，本文提出了一种基于粒子群优化（Particle Swarm Optimization，PSO）算法的非线性马斯京根模型参数率定新方法，并将其应用于称钩弯一临清段洪水演进计算中，通过与PSO线性模型、最小二乘法线性模型参数率定法洪水演算结果的对比分析，发现基于PSO算法的非线性模型精度高于两种线性模型，1960、1961和1964年三场典型洪水误差平方和分别减小了0．9％、6．2％和1．6％，表明基于PSO的非线性马斯京根模型参数率定结果更接近实际洪水的演进过程．     

基于PSO的非线性马斯京根模型参数率定新方法

针对目前马斯京根河道洪水演进模型参数率定中所存在的线性化、求解复杂、精度差等问题,本文提出了一种基于粒子群优化(Particle Swarm Optimization,PSO)算法的非线性马斯京根模型参数率定新方法,并将其应用于称钩弯—临清段洪水演进计算中.通过与PSO线性模型、最小二乘法线性模型参数率定法洪水演算结果的对比分析,发现基于PSO算法的非线性模型精度高于两种线性模型,1960、1961和1964年三场典型洪水误差平方和分别减小了0.9%、6.2%和1.6%,表明基于PSO的非线性马斯京根模型参数率定结果更接近实际洪水的演进过程.     

基于WVD改进算法的跳频信号参数估计

针对平滑伪维格纳分布（SPWVD：SmooLhedPseudoWigner—VilleDistribution）在跳频信号参数估计中存在的分辨率下降和运算量过大等问题,提出基于sTfTr（Short—TimeFourierTransform）与WVD（Wigner—VilleDistribution）的联合算法（STFT—WVD）,实现了跳频周期、跳变时刻和跳频频率等参数的盲估计。在参数估计的过程中,STFT—WVD算法有效地抑制了WVD的交叉干扰项,保持了WVD较高的时频分辨率,在运算量上和WVD相近,没有增加运算的复杂程度。仿真实验证明,STFT—WVD比SPWVD具有更好的整体性能,在信噪比优于-1dB时,能得到更为精准的估计值。