改进的非线性连续－离散系统的极大似然参数估计及其应用

对Ｊａｔｅｇａｏｎｋａｒ等人给出的同时计及过程及观测噪声的非线性连续－离散系统的极大似然算法从两个方面进行了改进：１）给出了计算灵敏度的最佳摄动有限差分算法，避免了普通有限差分法计算灵敏度矩阵时需人为选择参数摄动量大小而带来的缺点；２）给出了具有快速三角化平方根滤波的极大似然算法，提高了原算法的数值稳定性．上述改进算法经应用于飞行器系统参数估计证明了方法的有效性。     

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...     

递推计算灵敏度的初值正交计算法

本文对连续-离散系统的极大似然估计方法提出了一种灵敏度初值的正交计算法,它是对 具有递推计算灵敏度的修正牛顿-拉夫森算法的改进.文中通过借用正交试验的概念和正交 表的性质,解决了原有算法的初始矩阵求逆所存在的困难.     

水下机器人位姿控制中的精确极大似然配准算法研究

本文阐述了水下机器人位姿控制原理和多传感器信息融合的基本概念,着重研究了配准的极大似然算法(EML).该算法通过两步递归最优化方法来实现,并采用改进的高斯-牛顿法来确保算法的快速收敛性.最后利用水下机器人模型BSAV-Ⅰ水池实验的实时数据给出了仿真计算,验证了极大似然配准算法在实际环境中应用有效性.     

基于正交计算灵敏度的极大似然估计算法*

本文基于正交计算灵敏度的极大似然估计算法研究了弹性飞行器的气动参数辨识问题。文中利用指示函数(indicial function)的概念和Duhamel积分描述任意的非定常气动力过程,借助于正交试验的正交表解决了递推计算灵敏度的数值计算问题。最后给出了弹性飞行器气功参数估计的一个仿真算例。     

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.     

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．     

递推计算灵敏度的极大似然估计算法实现

对非线性连续一离散系统的极大似然参数估计方法导出了一种递推计算灵敏度的新算 式.该算式借助二水平正交表的性质,避免了原灵敏度递推算式中的矩阵求逆运算.仿真实 例验证了该算法的实用性和有效性.     

一种改进的垂直分层空时码检测算法

针对垂直分层空时码系统的最大似然检测算法运算复杂度大的缺点,将排序的QR分解算法和最大似然检测算法结合起来,给出了一种改进的垂直分层空时码检测算法.该算法既减少了最大似然检测算法的搜索次数,降低了计算量,又避免了层间干扰和误码扩散,提高了系统误码性能.最后的仿真验证了所提算法的有效性和实用性.     

基于增量式有限混合模型的多目标状态极大似然估计

提出了增量式有限混合模型来提取概率假设密度滤波器序贯蒙特卡罗实现方式中的多目标状态. 该模型以增量方式构建, 其混合分量采用逐个方式插入其中. 采用极大似然准则来估计多目标状态. 对于给定分量数目的混合模型, 应用期望极大化算法来获得参数的极大似然解. 在新分量插入混合模型时, 保持已有混合模型的参数不变, 仍旧采用极大似然准则从候选新分量集合中选择新插入分量. 新分量插入混合步和期望极大化算法拟合混合参数步交替应用直到混合分量数目达到概率假设密度滤波器的目标数目估计值. 利用k-d树生成插入到混合模型的新分量候选集合. 增量式有限混合模型统一了分量数目变化趋势和粒子集合似然函数的变化趋势, 有助于一步一步地搜寻混合模型的极大似然解. 仿真结果表明, 基于增量式有限混合模型的概率假设密度滤波器状态提取算法在多目标跟踪的应用中优于已有的状态提取算法.     

一种半监督机器学习的EM算法改进方法

EM(Expectation Maximization)算法是含有隐变量(latent variable)的概率参数模型最大似然估计、极大后验概率估计最有效的算法,但很容易进入局部最优现象,对此提出基于半监督机器学习机制的EM算法.本文方法是在最大似然函数中加入惩罚最小二乘因子,同时引入非负约束作为先验信息,结合半监督机器学习方法,将EM算法改进转化为最小化求解问题,再采用最大似然方法求解EM模型,有效估计了混合矩阵和高斯混合模型参数,实现EM算法的改进.仿真结果表明,该方法能够很好地解决了EM算法容易局部最优化问题.     

Direct maximization of the likelihood of a hidden Markov model

Ever since the introduction of hidden Markov models by Baum and his co-workers, the method of choice for fitting such models has been maximum likelihood via the EM algorithm. In recent years it has been noticed that the gradient and Hessian of the log likelihood of hidden Markov and related models may be calculated in parallel with a filtering process by which the likelihood may be calculated. Various authors have used, or suggested the use of, this idea in order to maximize the likelihood directly, without using the EM algorithm.In this paper we discuss an implementation of such an approach. We have found that a straightforward implementation of Newton’s method sometimes works but is unreliable. A form of the Levenberg-Marquardt algorithm appears to provide excellent reliability. Two rather complex examples are given for applying this algorithm to the fitting of hidden Markov models. In the first a better than 6-fold increase in speed over the EM algorithm was achieved. The second example turned out to be problematic (somewhat interestingly) in that the maximum likelihood estimator appears to be inconsistent. Whatever its merit, this estimator is calculated much faster by Levenberg-Marquardt than by EM.We also compared the Levenberg-Marquardt algorithm, applied to the first example, with a generic numerical maximization procedure. The Levenberg-Marquardt algorithm appeared to perform almost three times better than the generic procedure, even when analytic derivatives were provided, and 19 times better when they were not provided.     

基于自适应密度估计的系统参数辨识

针对噪声分布未知的ARMAX系统,提出了一种自适应非参数噪声密度估计方法,由估计误差动态调整高斯核函数的全局带宽和局部带宽,实现了未知噪声分布密度的自适应估计;通过极小化似然函数,给出了基于噪声密度估计的参数辨识迭代算法,分析了算法的收敛性并给出了算法收敛的充分条件.仿真结果表明本文提出的算法在系统噪声未知时具有较强的抗噪能力和良好的收敛性.     

图像高斯噪声估计的极大似然算法

提出一种图像高斯噪声极大似然估计方法,目的是估计出噪声图像所含噪声大小。首先,根据高斯噪声模型的特点,用极大似然法估计噪声值,对图像所含噪声模型进行分析。其次,把噪声图像用直方图表示,从归一化直方图中选出不同的样本观测值,用极大似然算法对噪声的方差进行估计。最后,用MATLAB对该方法进行了模拟实验,实验结果表明此方法所得的图像噪声的方差与实际图像噪声的方差近似相等。所以,此方法无论是在准确性上还是在可行性上均具有优良的特性。     

RFID和WSNs技术在机器人协同定位中的应用研究

针对常用定位技术难以满足移动机器人协同定位精度高、实时性强的要求,提出了射频识别(RFID)和无线传感器网络(WSNs)混合定位技术。采用有源RFID定位技术,参考身份标识ID对应的电子标签在未知环境中的位置坐标,利用接收到的信号强度结合改进的极大似然估计算法确定出单个机器人的位置坐标。基于WSNs技术,确定出父节点机器人与预协作子机器人之间的相对方向和距离信息。给出了机器人自身绝对位置和协作机器人之间相对定位的算法,并通过实际电路和程序设计进行了实验验证。结果表明:该方法有效,可取,可解决多机器人可协同定位的范围小,精度低,实时性差等问题。     

含时延和丢失数据不确定系统的FIR滤波器

针对状态空间模型中存在服从伯努利分布的时延和随机观测丢失的情况,基于极大似然法则,分别设计有限脉冲响应(finite impulse response, FIR)滤波器的慢速率批处理形式和快速率迭代形式.首先,将时延和数据丢失情况下的模型表述为服从伯努利分布的概率线性函数;然后,通过极大似然处理从而得到所提出极大似然FIR算法;最后,将在相同条件下的极大似然FIR估计、改进型卡尔曼滤波以及无偏FIR估计3种滤波方法进行对比,从估计误差、均方根误差和不确定性影响等角度进行比较分析.实验部分通过3-DOF直升机模型仿真,可发现所提出极大似然FIR估计方法在处理时延和数据丢失问题时更加有效,鲁棒性更高.     

基于一种改进禁忌搜索算法优化离散隐马尔可夫模型

隐马尔可夫模型(HMM,HiddenMarkovModel)是语音识别和手势识别中广泛使用的统计模式识别方法。文章提出了一种改进的禁忌搜索(ITS,ImprovedTabuSearch)优化HMM的参数。传统的TabuSearch(TS)与局部搜索算法(极大似然法)交替进行,从而加快了算法的收敛速度,并得到优化解。分别用TS及ITS训练隐马尔可夫模型进行动态手势识别。结果表明ITS可获得更高的识别率,且能达到全局优化。     

GMRF纹理模型在ATR评估系统中的应用

介绍高斯马尔可夫随机场（GMRF）纹理模型的基本原理，及该纹理模型参数的最大似然估计方法。针对已有的计算参数算法的运算量偏大的缺点，提出改进的参数计算算法，并列出具体实现步骤。对真实纹理进行模拟实验，结果表明该算法取得很好的效果。     

MIMO-OFDM系统中一种改进的最大似然信道估计算法*

对MIMO-OFDM系统中的信道估计进行研究,提出了一种对最大似然（ML）算法的改进,该算法首先采用ML算法获得初始估计值,然后联合检测进行迭代信道估计,充分利用上了接收端联合数据检测得到的数据信号信息与信道估计进行信息交互来提高估计性能,仿真结果表明,相对于传统估计方法,这种改进方法能够得到更好的均方误差和误码率性能,尤其是在导频数量较少时,此改进算法的性能提升将更明显。