基于Bayes定理和mGA的结构损伤识别方法研究

提出了一种基于幽ycs定理和沐从(微种群遗传算法)的方法,用于识别结构中损伤的位置和程度等参数并分析其不确定性。该方法在获得测量信息后,结合损伤模型,根据Bayes定理更新获得损伤模型参数的后验概率密度函数,以实现在不确定性情况下对损伤的识别。为最大化损伤模型参数的后验概率密度函数,采用mGA搜索获得描述损伤的全局最优参数。将该方法应用于板结构损伤识别,并进行了数值仿真研究以验证所提方法的有效性。     

软件可靠性估计的不确定性分析

在软件开发早期阶段,为分析组件的可靠性和组件间的转移概率的不确定时软件可靠性估计的影响,在基于体系结构的可靠性模型基础上,采用贝叶斯方法对参数的不确定性进行分析.将组件间的转移概率视为随机变量,分析中选用Dirichlet分布的概率密度函数作为先验密度函数,通过MonteCarlo模拟得到系统可靠性的后验估计.实验结果表明,该方法可在早期阶段发现不确定性因素对于系统可靠性的影响,为一些重要的资源分配提供依据.     

考虑模型响应不确定性的稳健参数设计

针对模型响应不确定性的稳健参数设计问题,在高斯过程回归(Gaussian process regression,GPR)建模的框架下,结合贝叶斯超参数最大后验(Maximum a posteriori estimation,MAP)估计和多目标线性加权方法构建一个新的优化模型.首先,利用MAP方法获得最优超参数组合,构建高斯回归模型;然后,考虑响应不确定性与响应之间的交互效应,采用线性加权准则,构建多响应稳健优化模型;最后,利用聚类分析方法获得最优参数解.该方法考虑了输出响应不确定性对优化结果的影响,权衡了最优因子水平与多元质量特性之间的关系.结合实际案例和软件仿真对所提出方法进行实证研究,结果表明,该方法能够较好地兼顾输出响应的最优性和稳健性,从而实现稳健参数设计.     

基于马尔可夫随机场的SAR图象目标分割

运动、静止目标获取与识别（MSTAR）计划表明，将合成孔径雷达（SAP）图象分割成目标、阴影和背景杂波区域对于从开放环境中进行目标识别是一种有效的手段。但是由于SAP图象所固有的斑点噪声的影响，传统的分割方法很难获得准确的分割。为此提出了一种基于MRF(Markov random field)模型的SAP图象分割算法。用MRF模型描述待分割图象的先验知识，利用最大似然（ML）估计从训练数据中获得图象各区域的先验概率分布，采用Bayes方法，在观测数据基础上，根据分割图象的后验分布所对应的MRF模型的条件概率，利用Metroplis采样器获得最大后验概率（MAP）准则下的图象分割。通过对MSTAR的样本目标图象应用该算法，结果表明它可以获得稳健和准确的分割效果。     

输入非均匀采样广义输出误差模型的递推贝叶斯参数辨识算法

针对传统最小二乘算法在辨识过程中没有考虑噪声的协方差和参数的先验概率密度的问题,提出一种递推贝叶斯算法。该算法以最大化参数的后验概率密度函数为准则进行参数估计。实验结果证明所提算法可以获得更高精度的参数估计值。收敛性分析表明,该算法给出的参数估计值收敛于参数真值。该算法综合考虑了噪声方差、数据的先验概率分布和参数的先验概率分布,可以获得比最小二乘法更高的精度的估计值。     

抗野值的航迹数据Kalman滤波

由于受到干扰或自身稳定性等因素的影响,在试飞中雷达或光电经纬仪会出现连片野值,影响测试数据的准确性。为此,采用基于Bayes定理的抗野值Kalman滤波算法,根据测量误差建立了受污分布模型,得到后验概率,据此确定预报方差的权值,以降低连片野值的影响。经仿真试验和飞行试验验证,该方法稳定有效,实时性强。已经应用在试飞测试工作中。     

导航随机微分模型的三次样条插值求解探索

提出一种用三次样条插值逼近导航系统状态概率密度函数的方法．导航随机微分模型的弱解由前向Kolmogorov方程表示,其解析解很难求得．本文通过三次样条插值函数来逼近其解可得到状态的先验概率密度函数,再由Bayes公式得到状态的后验概率密度函数,解决了构造三次样条插值条件的难点问题,并以水下潜器组合导航系统为背景,与粒子滤波方法进行性能对比分析,仿真结果验证了三次样条插值逼近导航随机微分模型解析解的可行性．     

非线性交互粒子滤波算法

在非线性非高斯系统状态估计问题中，后验概率密度函数的解析形式难以获得，标准粒子滤波算法采用状态转移概率函数代替后验概率作为重要性采样概率密度函数，而未考虑当前观测数据的影响．针对该问题，首先提出了非线性交互多模型算法；然后应用该算法产生重要性采样概率密度函数，设计了新的非线性交互粒子滤波器．新的概率密度函数融入最新观测数据，更接近系统状态后验概率．比较实验表明了所提出算法的有效性．     

基于Bayes决策的联机手写数字识别

本文介绍了贝叶斯（Bayes）决策理论和模式识别的过程,并用Bayes分类算法设计了一个图像分类器。该分类器通过对各个类别的后验概率的计算．对0-9这十类联机手写数字进行识别实验。     

混沌系统参数估计结果的不确定性分析*

针对混沌系统参数估计研究中由于随机观测噪声影响而导致的参数估计结果不确定性问题,基于贝叶斯定理提出了一种客观评价混沌系统参数估计结果不确定性的统计方法;进而以典型的Lorenz系统为例进行了数值仿真,分析了不同大小噪声背景下各未知参数估计结果的不确定性;最后基于仿真结果提出了一种在有噪声干扰时估计混沌系统参数的有效方法——后验均值法。相同仿真条件下与前人方法的比较结果表明,该方法可有效抑制噪声影响、约束参数估计结果的不确定性,是一种有噪声情形下估计混沌系统参数的稳健方法。     

基于HMM的汉语文本识别后处理研究

本文用HMM(Hidden Markov Model)描述汉语文本识别后处理,将汉语语言和单字识别这两个概率模型结合起来,以充分利用单字识别器提供的信息。语言模型的参数由语料库统计得到;单字识别模型的参数为条件概率,经理论分析,它可转化为后验概率来求解。在分析训练样本集单字识别结果的基础上,提出一种统计方法估计候选字的后验概率。HMM在脱机手写体汉语文本识别中的实验表明,后处理性能除取决于语言模型外,还取决于后验概率的精确估计。     

变分贝叶斯概率数据关联算法

针对杂波环境下的目标跟踪问题, 提出了一种基于变分贝叶斯的概率数据关联算法(Variational Bayesian based probabilistic data association algorithm, VB-PDA). 该算法首先将关联事件视为一个随机变量并利用多项分布对其进行建模, 随后基于数据集、目标状态、关联事件的联合概率密度函数求取关联事件的后验概率密度函数, 最后将关联事件的后验概率密度函数引入变分贝叶斯框架中以获取状态近似后验概率密度函数. 相比于概率数据关联算法, VB-PDA算法在提高算法实时性的同时在权重Kullback-Leibler (KL)平均准则下获取了近似程度更高的状态后验概率密度函数. 相关仿真实验对提出算法的有效性进行了验证.     

基于Parzen核估计的最大后验概率分类方法

从概率密度函数的角度出发,利用Parzen窗法估计总体样本的概率密度分布,将核方法和Parzen窗法引入最大后验概率方法中,提出一种基于Parzen核估计的最大后验概率的高性能多分类方法。该方法不需要考虑样本数据的具体分布情况,能够得到分类的可信度,给出推理的不确定性依据。在3个国际标准UCI数据集和3个人脸数据集上的实验结果表明,该方法具有较好的分类效果。     

有效的SAR图像多尺度分类算法

为提高分类精度,提出一种基于最大期望(EM)与遗传(GA)算法的多尺度SAR图像无监督分类方法.利用多尺度自回归(MAR)模型描述SAR图像中不同尺度之间的统计相依性,提取多尺度特征.应用混合模型描述多尺度特征,并将GA算法与EM算法相结合给出混合模型的参数估计算法,利用最小描述长度(MDL)准则选择模型的分量教.最后使用Bayes分类器实现了图像的分类与分割.该方法集EM算法和GA算法结合后的优点,对设定初值有较少的敏感性,因而避免了局部最优解.应用于SAP图像的实验表明,在分割精度上GA-EM方法优于MAR模型的算法.     

基于信息散度的多无源传感器数据关联

针对多无源传感器多维分配数据关联模型在构造关联代价时, 未充分考虑位置估计不确定性所引入的误差问题, 提出一种基于信息散度的数据关联算法. 将伪量测信息的概率密度函数与真实观测数据的最大后验概率密度函数之间的差异性信息作为关联代价, 并分别采用Kullback-Leibler 散度和对称Kullback-Leibler 散度来量化该差异.仿真分析结果表明, 该算法具有良好的关联性能, 其关联代价能更精准地反映数据关联的可能性程度.

     

投影滤波器原理在贝叶斯滤波中的应用

对于非线性滤波问题,给出一种有限维近似滤波算法。它利用统计流形上的微分几何方法,将关于概率密度的随机偏微分方程投影到有限维统计流形上,得到相关参数的有限维随机常微分方程。通过引入指数型概率密度模型,简化投影滤波算法的计算。再结合Bayes定理求解非线性系统状态的后验概率密度,最后应用于立体传感器系统的滤波问题。     

基于粒子滤波和似然比的联合检测与跟踪

针对低信噪比下幅值波动的弱目标跟踪问题,提出一种基于粒子滤波和Bayes似然比方法的联合检测和跟踪算法.该方法直接利用传感器的原始数据,以Bayes似然比作为目标检测的判决准则,利用粒子滤波器获得状态的后验概率分布,同时实现对目标的检测与跟踪.仿真结果表明了算法的有效性.     

增长因子动态模型法Bayes可靠性评定

对于寿命分布为指数分布的可靠性增长试验,将历史数据进行折合,从而运用Bayes方法对失效率进行评估具有重要的意义.研究了增长因子折合法,针对可靠性增长多阶段试验的特点,对采用延缓纠正的可靠性增长模式进行分析,结合AMSAA模型,建立增长因子的动态模型,通过历史数据获得增长因子.运用数据折合和共轭分布,获得当前阶段的验后分布,然后,对多阶段可靠性增长的失效率作Bayes估计,给出了失效率的无偏估计和置信下限.最后通过实例给出了运用该方法进行分析的基本步骤,结果表明该方法具有一定的适用性.     

基于EM算法的图像小波系数统计研究

基于小波分析的贝叶斯(Bayes)图像处理方法常常需要获得图像小波波系数的先验概率分布密度,该文提出,利用混合高斯模型对正交小波域中自然图像的父子小波系数的联合分布密度进行建模,运用非完备数据的极大似然估计算法——期望极大(EM)算法,对该模型的参数进行估计并且给出了联合分布密度函数的模型分量数与迭代次数的确定过程。最后,在后验均值(PM)方法下,把该联合分布密度模型运用于图像去噪研究;仿真结果表明该方法能够获得较好的效果。     

基于区间数的不确定性数据聚类算法:UD-OPTICS

在不确定性数据聚类算法的研究中,普遍需要假设不确定性数据服从某种分布,继而获得表示不确定性数据的概率密度函数或概率分布函数,然而这种假设很难保证与实际应用系统中的不确定性数据分布一致。现有的基于密度的算法对初始参数敏感,在对密度不均匀的不确定性数据聚类时,无法发现任意密度的类簇。鉴于这些不足,提出基于区间数的不确定性数据对象排序识别聚类结构算法(UD-OPTICS)。该算法利用区间数理论,结合不确定性数据的相关统计信息来更加合理地表示不确定性数据,提出了低计算复杂度的区间核心距离与区间可达距离的概念与计算方法,将其用于度量不确定性数据间的相似度,拓展类簇与对象排序识别聚类结构。该算法可很好地发现任意密度的类簇。实验结果表明,UD-OPTICS算法具有较高的聚类精度和较低的复杂度。