左截断右删失下正态分布参数单变点的bayes估计

针对随机变量的寿命试验数据服从正态分布且在缺失数据模型下的情况,对其参数识别以及估计,并应用到实际生活。在此研究中,首先构建正态分布的似然函数,考虑在左截断右删失数据模型下,使用逆变换法和筛选法处理缺失数据。然后将缺失数据模型下的似然函数转化为完全数据情况下的似然函数,可获得变点的位置及其他参数的满条件分布。最后,采用Gibbs抽样和Metropolis-Hastings算法相结合的MCMC方法获得各参数的Gibbs样本,并将其均值作为各参数的贝叶斯估计。结果显示：在相对误差、MC误差的准则下,各参数的贝叶斯估计精度都较高。     

基于贝叶斯网络的态势估计方法

结合态势估计的特点,介绍了黑板结构和贝叶斯网络2种用于态势估计的方法,分析了各自的优缺点,并选取贝叶斯网络来进行态势估计。详细讨论了战场态势在贝叶斯网络中的知识表示和信息传播。针对静态贝叶斯网络难以捕捉动态战场信息的缺点,采用了动态搜索最佳网络的方法进行推理,为战场态势估计提供了新的思路。     

基于贝叶斯估计的多分辨图像滤波方法

图像的小波系数具有很强的非高斯统计特性,可以建立推广的拉普拉斯先验分布,用贝叶斯估计对图像小波系数滤波来达到降噪目的.由于正交小波的正交性质能够保证白噪声干扰图像的小波系数所包含的噪声是白色的,基于正交小波变换的贝叶斯估计有较好的降噪性能.     

波达方向估计的贝叶斯高分辨方法

根据贝叶斯最大后验估计原理研究了波达方向估计的高分辨方法,在文献基础上对贝叶斯高分辨波达方向估计方法进行了补充和完善。针对两个目标源情况提出了快速算法,有效地减少了运算量,提高了运算速度。与MUSIC法和文献中一次快拍的贝叶斯谱分析法的比较充分体现了该方法性能优越,特别是在低信噪比、少快拍数以及相干源情况下可以得到更为准确、稳定的估计效果。     

指数分布步加试验的贝叶斯估计

给出了一种基于Gibbs抽样、CE模型下指数分布场合步进应力加速寿命试验的贝叶斯估计.通过模拟例子表明贝叶斯估计比极大似然估计更加有效.     

髋关节角多模型贝叶斯动态估计

步态分析在健康监测等领域中有着广泛的应用,精确估计髋关节角是步态分析的前提.但是大腿运动的高度非线性和不确定性,以及微型传感器测量噪声的不稳定性等诸多因素,基于微型惯性传感器的髋关节角精确估计面临着巨大的挑战.该文提出利用混合动态贝叶斯网络、多运动模型和噪声模型对髋关节角的非线性变化和测量噪声的改变进行建模,然后基于穿戴在大腿上的微型加速度传感器获得的测量值,通过高斯粒子滤波算法估计髋关节角度.实验结果表明该方法能够有效提高髋关节角的估计精度.     

基于贝叶斯估计的多连接同步算法

提出了一种通用的异构网络多连接系统模型,并在有限样本条件下,借助拔靴估计法和贝叶斯估计法对时延的分布进行估计,以最小化多连接失败概率为优化目标,给出了最佳分流比例的计算方法。仿真结果表明,多连接可有效提升系统性能,采用最佳分流比例实现多连接时,子业务流之间可实现良好的同步。     

基于贝叶斯估计的小波阈值图像降噪方法

提出一种新的基于贝叶斯估计的小波收缩阈值的图像降噪方法，该方法是通过最小Bayes风险的方法对图像小波变换后的小波系数进行估计，这种对小波系数的估计不仅与子带的方向和层次有关，而且与小波系数的大小有关。试验结果该方法比一般小波收缩阈值方法的降噪效果要好；还表明在峰值信噪比较低时该方法的降噪效果比Wiener滤波差，当峰值信噪比较高时该方法的降噪效果比Wiener滤波好。     

自适应时延估计中的信号自相关函数估计

应用自适应滤波方法可以估计未知源信号的观察信号间的时延。但是只有知道观察信号的信噪比或者其中源信号分量的自相关函数或功率,才能确定时延估计的方差。本文根据被动检测时延估计的信号模型和自适应滤波原理分析指出,采用自适应滤波结果直接计算的相关分量的自相关函数及功率是一个有偏估计。应用自适用滤波器参数,可以得到一个常数修正因子,修正该有偏估计,得到自相关函数的近似无偏估计。不同条件下的估计实例表明,通过修正显著提高了信号功率估计的准确性。     

基于最优采样函数的粒子滤波算法与贝叶斯估计

传统粒子滤波器(PF)直接根据状态演化方程产生新的粒子,由于没有考虑新近观测对状态估计的影响,这种滤波器性能较差,即便在粒子数目很大的情况也是如此。为此,本文提出一种基于序贯重要采样(SIS)的改进粒子滤波算法,该算法采用集成了新近观测量的最优采样(或重要密度)函数指导粒子的生成,使粒子权值的方差最小化,能有效减轻粒子退化问题;同时。在粒子重采样之后增加了马尔科夫链蒙特卡洛(MCMC)过程,消除了重采样引起的粒子贫化的负面影响,从而使粒子的多样性得以保持。对非线性系统的状态估计和只测角跟踪的仿真实例均表明,本文所提出的算法比传统估计算法如EKF,UKF具有更高的精度和更强的鲁棒性;与标准PF相比,其性能也有较大的提高,并可以在相同的估计精度下大大减少所需的粒子数目,是一种有效的非线性滤波算法。     

浅海非高斯噪声下基于变分贝叶斯推断的波达角估计

传统基于高斯统计特性的波达角(DOA)估计方法在高斯背景噪声中可以获得较好的估计性能,然而受脉冲噪声影响的浅海环境噪声不再服从高斯分布,若直接利用传统波达角估计方法会引入较大误差。为提升非高斯噪声环境下的波达角估计性能,该文提出一种浅海非高斯噪声下的基于变分贝叶斯推断的波达角估计方法。首先利用信号与脉冲噪声的稀疏性构建多测量向量稀疏信号恢复(SSR)模型;其次,考虑信号的共稀疏特性与脉冲噪声的独立稀疏性,构建层次化贝叶斯估计框架;然后利用变分贝叶斯推断估计信号与噪声的后验概率估计。稀疏信号模型中考虑离网格误差,利用根稀疏贝叶斯估计实现离网格误差修正,解决离网格误差引起的基失配问题;最后通过迭代更新获得较为精确的波达角估计,同时消除脉冲噪声的影响。仿真结果表明：所提方法在非高斯噪声环境下具有较好的波达角估计性能,同时对于脉冲噪声具有较强的抗干扰特性。     

使用正态分布函数修正推荐系统相关相似性

为提高协同过滤推荐系统寻找最近邻居集合的准确程度,在传统的相关相似性基础上,提出了一种利用正态分布函数作为修正函数的相关相似性计算方法,该方法依据双方共同评分的项目进行用户相似性评价,利用正态分布函数来修正用户之间评分项目数差距对相关相似性计算产生的负面影响,能够较好地体现用户的相似程度。实验结果表明,在相同条件下,该方法与传统的相关相似性计算方法,在一定程度上提高了寻找最近邻居用户集合的准确度。     

一种基于贝叶斯决策的自适应运动估计算法

为了提高视频编码运动估计中运动矢量预测的速度和准确性,提出一种基于贝叶斯决策的视频自适应运动估计算法.该算法充分利用贝叶斯理论、运动矢量的空间一致性和己编码帧对当前帧的影响,根据视频中前一帧和当前帧的已搜索宏块的运动信息,以目标宏块周围3个宏块的运动矢量与目标宏块的运动矢量空间距离最小为原则,利用贝叶斯决策来得到目标宏块运动矢量的预测值.实验表明,该方法在图像重建质量基本不变的情况下,比DS,ARPS和ARPS-3具有更快的搜索速度.     

有色噪声下基于Wishart随机矩阵的贝叶斯时变信道估计

提出一种适用于有色噪声环境下的贝叶斯时变信道估计方法,该方法根据Wishart随机矩阵理论和Gibbs采样方法,首先对有色噪声的协方差阵和信道参数进行初估计,在此基础上,对序贯蒙特卡洛(SMC,sequential monte carlo)采样器的参考分布进行改进,使用SMC方法对时变信道参数进行盲跟踪(无需导频信号),从而实现了有色噪声下时变信道的半盲估计.与以往的时变信道估计方法相比,该方法具有估计误差小、顽健性强等特点.计算机仿真结果验证了该方法的有效性.     

基于稀疏贝叶斯学习的码元速率估计

现有的相位编码信号码元速率估计方法在样本点足够多的情况下才能准确估计出参数,且算法复杂度高。针对此问题,该文详细分析了BPSK信号的结构特征,并以此为先验信息对其循环自相关(CA)向量进行压缩采样,降低了传统贝叶斯复数处理方法的维度。利用压缩传感中离散傅里叶变换矩阵的奇偶性,分解传感矩阵为正弦和余弦变换,分别将CA向量的实虚部转换到对应变换域测量,根据复数信号实虚部具有相同支撑集这一特点,采用多任务稀疏贝叶斯重构时延积向量的单边谱分量,从而估计出码元频率。理论分析和仿真结果表明,相较于其它基于稀疏贝叶斯学习的参数估计算法,所提方法在测量数量较少的情况下也能准确估计出循环频率,且算法实时性显著提高。     

基于优化信息算子的UWB信道贝叶斯估计

针对压缩感知应用于UWB通信信道估计时信息算子的相干性严重影响UWB信道估计精度的问题,提出将优化的信息算子和贝叶斯算法相结合的方法。该方法以互累积相干参数为准则,首先将加权信息算子通过最优化与正则化得到优化的信息算子,最后通过贝叶斯算法重构UWB信道。理论分析和仿真结果表明优化信息算子的相干性大大减弱,有效提高了UWB信道估计精度,同时该方法能在较低的压缩比和信噪比条件下实现UWB通信信道的准确重建。     

基于贝叶斯推断的脑源定位估计技术及应用

脑电图和脑磁图信号具有无创性和高时间分辨率,能够反映快速变化的大脑神经活动.然而,由于容积传导,脑电图和脑磁图空间分辨率较低.根据头表脑电图和脑磁图估计皮层脑源活动,即脑源定位技术,能够提供具有更高空间分辨率的信息,在认知过程基本机理理解和脑损伤病理学特征分析上发挥重要的作用.本文首先介绍脑源定位技术基本概念,然后具体介绍了基于贝叶斯概率推断的脑源定位技术,将当前的脑源定位技术分为基于空间先验约束和基于时间空间先验约束两大类,分析了不同算法的特性,接着介绍了基于贝叶斯的脑源定位技术的应用领域,最后介绍脑源定位技术的未来发展趋势.     

基于快速贝叶斯匹配追踪优化的海上稀疏信道估计方法

正交频分复用(OFDM)系统中,由于频率发生选择性衰落会导致信道在数据传输中产生符号间干扰,因此接收机往往需要知道信道状态信息。而在海上通信的情况下,信道传输会受到多种外界因素的干扰,往往需要预先进行信道探测估计。为了提高估计性能,该文提出一种基于奇异值分解优化观测矩阵的快速贝叶斯匹配追踪稀疏信道估计优化算法(FBMPO),该算法不仅能够充分考虑海上通信的信道稀疏性,也能够降低信道的不确定性带来的影响。计算机仿真实验表明,与传统的信道估计算法相比,该算法能够提高信道估计的精确度。