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。     

SIMO系统吉布斯盲迭代均衡算法

针对符号间干扰信道的多天线分集接收问题,提出一种单输入多输出(SIMO)系统盲迭代均衡算法.该算法利用吉布斯样本法处理思路,在SIMO条件下推导了信道冲击响应、发送符号等未知参数的条件后验分布,根据该条件概率逐个参数进行随机采样,通过不断迭代更新来逼近最大后验概率(MAP)估计的结果.该算法的一个显著特点是具有软输入软输出(SISO)结构,因此在编码系统中可以与信道译码结合,通过联合迭代进一步提升均衡的性能.计算机仿真结果表明,在严重符号间干扰信道条件下,SIMO系统肓迭代均衡算法的性能非常接近于已知信道时迭代均衡算法的性能,距离理想无符号间干扰信道分集合成的性能差距只有约1 dB.     

卫星回传链路CPM信号调制识别研究

文章解决了DVB-RCS2标准中规定的卫星回传链路上连续相位调制信号(CPM)调制识别问题。根据调制参数的不同,标准中的CPM信号有5种类型,且在TDMA突发模式下传输。短突发长度和低信噪比环境下信号调制识别是实现信号正确解调的前提。提出了一种基于改进后的广义检测后积分(GPDI)匹配准则的调制识别方法。该算法采用改进后的GPDI匹配准则获得接收信号与每类CPM的匹配值;并按最大值准则估计得到信号类型从而实现信号调制识别。通过该方法可实现单个突发帧内调制识别。仿真实验表明,该算法不需符号速率的先验信息,对大频偏和相偏具有较好的鲁棒性,具有较低的复杂度和优异的抗噪声性能。     

一种时变信道下基于粒子滤波的同频混合信号盲分离方法

文章建立了时变信道下同频混合信号的基本模型,提出了利用粒子滤波的混合信号调制参数估计与盲分离算法.通过将混合信号的时变调制参数建模为一阶AR模型,重点推导了参数与符号序列的粒子更新公式,确定了粒子的权值更新方法,给出了相应的后验概率密度估计.实验仿真表明,文章算法能够较好地实现混合信号的调制参数估计和盲分离.     

瑞利衰落信道下FSK信号的调制分类

针对在瑞利慢衰落信道下的FSK信号的调制分类问题,提出一种新的基于统计假设检验理论的调制分类算法,分别在同步和非同步条件下,由被高斯白噪声污染的FSK信号复包络导出似然函数,由此得到最优分类器．理论分析和数值仿真实验结果表明,在同步、非同步以及存在频偏条件下,此分类器可有效地解决衰落信道下的FSK信号调制分类问题．     

基于AL-RVM分类的主用户信号调制类型识别算法北大核心

提出了一种基于循环自相关估计和主动学习相关向量机(AL-RVM)分类的主用户信号调制类型识别算法。首先通过循环自相关估计算法提取接收信号特征参数;再采用主动学习算法通过多次迭代抽样实现对RVM分类器的构建;最后利用所构建的RVM分类器实现对各主用户信号的分类识别。仿真实验表明,与基于支持向量机(SVM)和传统相关向量机(RVM)算法相比较,所提算法在各低信噪比情况下,整体分类识别率在92%以上,明显高于对比算法。该算法能有效地实现对不同主用户信号调制类型的识别,保证了电力监测信号的有效传输。     

基于DRAM的水质模拟不确定性分析和风险决策

将点源作为未知参数,结合一种新的马尔科夫链蒙特卡罗(MCMC)算法——延迟拒绝适应性Metropolis算法(DRAM),对钱塘江支流东阳江许村至义东桥河段的化学需氧量、氨氮、饱和溶解氧等3种指标的水质模型进行了贝叶斯参数估计.DRAM算法兼有延迟拒绝算法和适应性Metropolis算法的优点,且稳定收敛速度更快.基于抽样得到的马尔科夫链,对参数和模型误差项的后验分布进行了量化,并实现了点源的不确定性反演.用这个不确定性模型对污染物质量浓度的后验分布进行模拟,表现了良好的拟合效果.基于马尔科夫链,可对各类情景(如不同的水温、流量或点源排放情况)下的污染物超标风险进行直观的分析和预测,也易于实现敏感性分析.研究结果能帮助管理者制定不同水期的减排和调水风险决策,为钱塘江流域的水污染风险管理提供支持.     

基于AL-RVM分类的主用户信号调制类型识别算法

提出了一种基于循环自相关估计和主动学习相关向量机(AL-RVM)分类的主用户信号调制类型识别算法。首先通过循环自相关估计算法提取接收信号特征参数;再采用主动学习算法通过多次迭代抽样实现对RVM分类器的构建;最后利用所构建的RVM分类器实现对各主用户信号的分类识别。仿真实验表明,与基于支持向量机(SVM)和传统相关向量机(RVM)算法相比较,所提算法在各低信噪比情况下,整体分类识别率在92%以上,明显高于对比算法。该算法能有效地实现对不同主用户信号调制类型的识别,保证了电力监测信号的有效传输。     

基于支持向量机分类器的数据链信号调制方式识别

鉴于通信信号的调制方式识别技术在非合作通信中具有重要的地位,针对美军Link-11、Link-16、Link-22、CDL数据链信号的调制方式(MSK、BPSK、QPSK、OQPSK、π/4-DQPSK、8PSK),研究了各调制信号在航空信道条件下的平方谱、高阶累积量、四次方谱、码元速率等特征参数的提取.然后,运用支持向量机(SVM)分类器对六种数据链信号的调制方式进行了识别,并利用粒子群优化(PSO)算法对支持向量机分类器参数进行优化.仿真结果表明,相比决策树分类器,SVM分类器在低信噪条降下提高了整体识别率;采用PSO算法则减少了SVM分类器参数选择的盲目性.     

并行高斯粒子滤波被动多目标跟踪新算法

针对多目标跟踪的数据关联及多目标状态空间尺寸随目标数增多而增长的问题,提出了一种跟踪新算法,假定各目标的状态与过去的观测相互独立,可以多路并行处理,采用马尔可夫链蒙特卡罗(MCMC)方法计算目标与观测的关联概率,利用高斯粒子滤波(GPF)独立估计单个目标的状态,采用拟蒙特卡罗(QMC)方法近似各目标的预测及更新分布.将该算法应用于被动多传感器多目标跟踪,仿真结果表明,所提算法比联合概率数据关联滤波器(JPDAF)、马尔可夫链蒙特卡罗数据关联滤波(MCMCDAF)及蒙特卡罗联合概率数据关联滤波(MC-JPDAF)具有更好的跟踪性能.     

Bayesian zero-failure reliability modeling and assessment method for multiple numerical control(NC) machine tools

A new problem that classical statistical methods are incapable of solving is reliability modeling and assessment when multiple numerical control machine tools(NCMTs) reveal zero failures after a reliability test. Thus, the zero-failure data form and corresponding Bayesian model are developed to solve the zero-failure problem of NCMTs, for which no previous suitable statistical model has been developed. An expert-judgment process that incorporates prior information is presented to solve the difficulty in obtaining reliable prior distributions of Weibull parameters. The equations for the posterior distribution of the parameter vector and the Markov chain Monte Carlo(MCMC) algorithm are derived to solve the difficulty of calculating high-dimensional integration and to obtain parameter estimators. The proposed method is applied to a real case; a corresponding programming code and trick are developed to implement an MCMC simulation in Win BUGS, and a mean time between failures(MTBF) of 1057.9 h is obtained. Given its ability to combine expert judgment, prior information, and data, the proposed reliability modeling and assessment method under the zero failure of NCMTs is validated.     

Robustness analysis of underground powerhouse construction simulation based on Markov Chain Monte Carlo method

Scheduling is a major concern in construction planning and management, and current construction simulation research typically targets the shortest total duration. However, uncertainties are inevitable in actual construction, which may lead to discrepancies between the actual and planned schedules and increase the risk of total duration delay. Therefore, developing a robust construction scheduling technique is of vital importance for mitigating disturbance and improving completion probability. In the present study, the authors propose a robustness analysis method that involves underground powerhouse construction simulation based on the Markov Chain Monte Carlo (MCMC) method. Specifically, the MCMC method samples construction disturbances by considering the interrelationship between the states of parameters through a Markov state transition probability matrix, which is more robust and efficient than traditional sampling methods such as the Monte Carlo (MC) method. Additionally, a hierarchical simulation model coupling critical path method (CPM) and a cycle operation network (CYCLONE) is built, using which construction duration and robustness criteria can be calculated. Furthermore, a detailed measurement method is presented to quantize the robustness of underground powerhouse construction, and the setting model of the time buffer is proposed based on the MCMC method. The application of this methodology not only considers duration but also robustness, providing scientific guidance for engineering decision making. We analyzed a case study project to demonstrate the effectiveness and superiority of the proposed methodology.     

Novel recognition method for digital modulation signals with Alpha stable noise

The traditional methods for digital modulation signals recognition with Alpha stable distribution noise have the problem of poor performance. In this paper, a novel recognition method for digital modulation signals based on the generalized cumulant and generalized instantaneous phase is proposed to solve this problem. This method extracts the characteristic parameters which are the generalized cumulant and maximum of normalization and center generalized instantaneous phase spectral density based on fractional Fourier transform. And then the minimum mean square error classifier and the threshold are used to achieve modulation recognition of digital modulation signals with Alpha stable distribution noise. Simulation results show that the proposed method has not only better performance but also lower computation complexity than the traditional recognition methods in an Alpha stable distribution noise environment.     

水文模型两种不确定性研究方法的比较

水文模型结构本身的缺陷、模型输入输出误差、水文模型参数冗余及其复杂的非线性联系等,导致了流域水文模型的不确定性.基于贝叶斯理论的MCMC方法及GLUE方法近年来被广泛应用于流域水文模型的不确定性研究工作中.为比较上述2种模型不确定性分析方法的分析效果及其优劣,以位于汉江流域的牧马河流域作为研究对象,采用集总式概念性水文模型SMAR模型作为实验模型,推求其模型参数的不确定性及参数的后验分布.采用基于实测流量资料估计的置信区间可靠性作为评判标准,实验结果表明:就SMAR模型而言,MCMC方法能够更好地推求模型参数的后验分布.     

马尔可夫链蒙特卡罗容积粒子滤波器

针对非线性、非高斯系统状态估计问题,提出了一种基于重要密度函数的改进粒子滤波器-马尔可夫链蒙特卡罗容积粒子滤波器。在状态转移概率的基础之上综合考虑了当前的量测信息,利用容积卡尔曼滤波对每个采样粒子进行估计,使得重要密度函数更加贴近于真实后验;同时为避免粒子贫乏,在重采样后加入马尔可夫链蒙特卡罗步骤。理论分析和实验仿真表明:马尔可夫链蒙特卡罗容积粒子滤波器的性能要优于容积粒子滤波器以及其他参照滤波器。     

基于MCMC粒子滤波的机器人定位

针对基于传统粒子滤波的机器人定位方法存在粒子退化的问题，提出了基于马尔科夫蒙特卡罗（MCMC）粒子滤波的机器人定位方法.将传统的粒子滤波算法与典型的 MCMC方法--Metropolis Hastings (MH)抽样算法有机结合，并应用于机器人定位研究中.试验结果表明，MCMC方法可以有效抑制粒子退化问题.与基于传统粒子滤波的机器人定位方法相比，该方法降低了定位误差均值和定位误差最大值，取得了更高的定位精度，有效地解决了机器人定位这一非线性非高斯状态估计问题.     

基于MCMC的多维相关系数平稳序列

在相关系数平稳过程的基础上,提出了基于MCMC（Markov Chain Monte Carlo）方法来估计多维相关系数平稳序列模型的参数;给出基于贝叶斯估计的多维相关系数平稳序列模型参数的算法;在无先验信息条件下,模拟验证了用此方法估计二维相关系数平稳序列模型参数的有效性。     

一种基于证据理论和神经网络的调制分类器

文章提出了一种基于证据理论和神经网络的调制信号分类方法。利用4种不同的神经网络分类器对常用的10种调制信号的同一组特征分别进行训练、分类;利用证据理论对它们的分类结果(决策)进行融合;最后,把融合结果作为调制信号的最终分类结果。实验结果与性能比较表明,该方法是有效的,获得了较高的识别率。     

基于特征选择和支持向量机的数字调制识别方法

针对基于决策树的数字调制识别方法在低信噪比和小样本情况下的不足,提出了一种改进的基于特征选择和支持向量机的数字调制识别算法。首先选择信号训练样本的循环谱截面作为备选特征集合,然后利用基于支持向量机的特征选择方法保留有效特征参数并训练分类器,最后将待识别信号选择后的特征输入支持向量机分类器,完成对ASK、MSK、PSK、QAM等4类信号的识别。仿真表明,本文算法在低信噪比和小样本情况下的识别性能优于基于决策树的调制识别方法。     

花岗岩残积土的土-水特征曲线参数概率

土-水特征曲线（SWCC）用于描述非饱和土中含水量与基质吸力的关系,在非饱和土力学中具有重要的作用。在SWCC拟合模型中有多个拟合参数,各值通过实验方法获得且具有很大的不确定性。采用贝叶斯理论对拟合参数的不确定性进行分析,将SWCC拟合参数作为随机变量,采用Van Genuchten模型拟合花岗岩残积土的土-水特征曲线试验数据。以马尔可夫链蒙特卡罗方法的延迟拒绝适应性算法获得模型参数后验分布抽样,获得了不同置信区间的SWCC及其对应参数值。