丢失数据下的条件极大似然辨识

针对仿射结构形式在丢失数据下的条件极大似然辨识问题, 首先引入交换矩阵将原随机矢量分解成观测和丢失部分; 然后确定出观测数据在丢失数据下的条件均值和条件方差, 以此建立条件似然函数; 进而从理论上给出了条件极大似然函数关于未知参数矢量、未知白噪声方差值和丢失数据的求导公式, 并从工程上给出一种可分离的优化算法; 最后通过仿真算例验证了该辨识方法的有效性.     

具有时延和数据丢失的直线电机迭代学习控制

针对网络环境下同时存在一步时延和数据丢失的直线电机系统,本文研究了其P型迭代学习控制方法.将一步时延描述为概率已知的随机Bernoulli过程,而将数据丢失描述为概率未知的随机Bernoulli过程,且丢失概率属于一个已知的数值区间.然后,利用λ范数理论给出了P型迭代学习控制算法的收敛条件,通过适当选取学习增益因子,可使得直线电机控制系统的输出渐近收敛于期望输出.最后通过仿真验证了本文所提控制方法的有效性。     

带不确定量测和未知虚警概率的粒子滤波器

为了解决带不确定量测和未知虚警概率的非线性非高斯系统状态估计问题,本文提出了一种新的粒子滤波方法,利用随机不确定量测模型来更新粒子和权值,并基于极大似然准则来辨识未知的虚警概率.本文所提出的带不确定量测和已知虚警概率的粒子滤波方法与现有标准的粒子滤波方法具有几乎一致的计算复杂度,但是更适合用于处理带不确定量测的非线性非高斯系统状态估计问题.此外,在状态转移密度函数被选择为建议密度函数时,本文证明了基于所提出的虚警概率辨识方法的极大似然估计唯一,从而为精确辨识虚警概率提供了理论保证.单变量非平稳增长模型和纯方位跟踪的数值仿真验证了所提出粒子滤波方法的有效性和与现有方法相比的优越性.     

存在时延和数据丢失的网络控制系统的控制器设计

研究了存在时延和数据丢失的网络控制系统的控制器设计问题．鉴于数据丢失现象和网络诱导时延的存在,将网络控制系统建成随机时延切换模型．利用李亚普诺夫方法,给出了使网络控制系统均方渐近稳定的新颖且与时延相关的条件．基于这个条件,理想的控制器可通过求解若干个线性矩阵不等式得到．利用一个数值例子证明了方法的有效性．     

基于PLE的有确定解的端到端网络链路时延推测方法

网络时延是重要的网络性能指标,端到端网络时延推测能够克服传统的基于路由器或者路由器协作的网络测量技术的弊端。在网络拓扑已知且稳定和链路性能时空独立性的假设前提下,给出了网络链路时延推测模型,提出了一种基于伪似然估计(PLE)的有确定解的端到端网络链路时延推测方法。在应用期望最大化算法的伪似然估计的基础上,控制背靠背发包方式,确定可以求解的探测单元,解决了不满足有确定解拓扑下的求解问题,且有效降低了计算复杂度。最后利用基于模型的计算验证了该方法的准确性和有效性。     

一种低复杂度的网络链路时延估计及仿真研究

网络时延是重要的网络性能指标,是网络服务质量测量与分析领域的重要目标之一.在网络拓扑已知且稳定及链路性能时空独立性的假设前提下,给出了网络链路时延估计模型和端时延数据采集方法,提出了一种低复杂度的网络链路时延估计方法.首先应用伪似然估计,然后确定可解的探测单元,通过限制平均采样精度和探测单元链路数的增加来显著降低计算复杂度,解决了计算复杂度过高的链路时延估计求解问题.最后利用基于NS2的仿真研究验证了时延估计方法的有效性和准确性.     

屏蔽数据下并联系统广义指数部件的可靠性估计

针对具有屏蔽寿命数据的并联系统,研究了广义指数部件的可靠性估计问题.利用极大似然方法和贝叶斯理论给出了部件未知参数和可靠度函数的极大似然估计及贝叶斯估计.最后通过随机模拟对两种估计的效果进行了比较,并研究了样本量和屏蔽水平对估计精度的影响.     

具有丢失数据的可分解马尔可夫网络结构学习

具有丢失数据的可分解马尔可夫网络结构学习是一个重要而困难的研究课题,数据的丢失使变量之间的依赖关系变得混乱,无法直接进行可靠的结构学习．文章结合最大似然树和Gibbs抽样,通过对随机初始化的丢失数据和最大似然树进行迭代修正一调整,得到修复后的完整数据集;在此基础上基于变量之间的基本依赖关系和依赖分析思想进行可分解马尔可夫网络结构学习,能够避免现有的丢失数据处理方法和可分解马尔可夫网络结构学习方法存在的效率和可靠性低等问题．试验结果显示,该方法能够有效地进行具有丢失数据的可分解马尔可夫网络结构学习．     

含自时延和通信时延的Euler-Lagrange系统自适应一致性算法

针对动力学方程中含未知参数的多Euler-Lagrange系统的一致性控制问题,设计了一种分布式自适应协调控制器.该控制器容许多Euler-Lagrange系统的通信拓扑为一般的有向图,并允许通信时延和自时延的同时存在.利用Barblata定理、Lyapunov稳定性定理和LMI方法等对控制器的稳定性进行了证明,并设计了数值仿真实验,仿真结果证明了控制算法的有效性.     

具有丢失数据的贝叶斯网络结构学习研究

目前主要基于EM算法和打分-搜索方法进行具有丢失数据的贝叶斯网络结构学习,算法效率较低,而且易于陷入局部最优结构.针对这些问题,建立了一种新的具有丢失数据的贝叶斯网络结构学习方法.首先随机初始化未观察到的数据,得到完整的数据集,并利用完整数据集建立最大似然树作为初始贝叶斯网络结构,然后进行迭代学习.在每一次迭代中,结合贝叶斯网络结构和Gibbs sampling修正未观察到的数据,在新的完整数据集的基础上,基于变量之间的基本依赖关系和依赖分析思想调整贝叶斯网络结构,直到结构趋于稳定.该方法既解决了标准Gi     

线性离散状态时滞系统UFIR滤波算法

针对含状态时滞的线性离散时变状态空间模型,提出一类无偏有限脉冲响应(UFIR)滤波算法.通过构造含有时滞状态的增广系统模型,对原系统进行无时滞转换.利用扩展状态空间模型的思路,将现有UFIR滤波算法推广至含控制输入的状态时滞系统中,并进一步求解相应的迭代形式,保留类Kalman算法快速计算的特点.通过仿真例子表明了所提出算法的有效性.     

基于MLE与流形学习的数据可视化方法

在一个给定的样本空间划分下,每个数据集是一个潜在的多项分布的抽样假设。通过对模型参数的最大似然估计,数据集的潜在分布近似于一个离散化的经验分布。根据推广的多项分布族的Fisher度量,潜在分布的信息差异可近似为经验分布间的差异,为基于MLE嵌入得到的信息流形上非监督学习创造了条件。当约简空间的维数为2或3时,原数据集之间的自然可分性可通过降维数据展现出来。实验结果表明,该方法能应用到大样本数据集或彩色图像等高维结构化数据的可视化。     

网络化控制系统中状态估计策略的进展

在网络化控制系统(Networked Control Systems,简记为NCSs)中,由于网络的介入使控制系统的规模和复杂性显著增加,且产生了各种新问题,为了使控制更加容易,需要设计合理的估计策略.主要从控制和通信2个角度出发,集中考虑了在量化影响、时延与丢包、不确定性等通信受限因素下状态估计策略的研究与进展.一直以来,状态估计都是诸如过程监控、故障诊断等控制领域中不可缺少的重要部分,当前已成为网络化控制系统研究的热点和准点,为抵消网络环境不确定性对闭环系统性能的影响,设计最优的状态估计策略必将成为不可缺少的因素之一.     

类卡尔曼无偏FIR滤波器改进高动态条件下载波跟踪

针对传统锁频环(Frequency Locked Loop,FLL)辅助锁相环(Phase Locked Loop,PLL)在高动态环境下对卫星导航信号跟踪精度弱的问题,提出了利用类卡尔曼无偏有限长单位冲激响应（Finite Impulse Response,FIR）滤波器改进载波跟踪的方法。该方法无须已知系统状态噪声、测量噪声模型,基于经典卡尔曼载波跟踪模型,首次建立了类卡尔曼无偏FIR载波跟踪扩展模型。根据无偏估计原理,推导类卡尔曼无偏FIR滤波器增益矩阵,利用N点历史相位差数据和可程序化运行的递归算法实时计算三态估计矩阵。针对喷气推进实验室（Jet Propulsion Laboratory,JPL)高动态运动模型的仿真结果表明,相较于传统FLL+PLL载波跟踪方法,所提方法提高了载波相位、频率的跟踪精度,增强了跟踪环路的鲁棒性。载噪比为42 dB-Hz时,相位跟踪精度提升了97.8%,频率跟踪精度提升了54.6%,同时环路跟踪时间有所缩短。     

泄漏信号定位中的时延估计算法

时延估计是阵列信号处理中的一项关键技术,广泛用于如语音增强,说话人定位,其目的是要估计出同源信号到达不同传感器时,由于传输距离不同而引起的时间差。现有的算法主要包括相关、广义互相关方法、自适应最小均方方法等。这些算法因其抗噪性能不同,有着各自的应用场合。本文在一段公共的声波数据上利用各种算法进行时延估计,分析比较算法性能,并将相关方法应用于管道泄漏检测定位误差不超过5%。     

Analytical Score for Multivariate GARCH Models

Multivariate GARCH models constitute the workhorse of empiricalapplications in several fields, a notable example being financialeconometrics. Unfortunately, ML (or quasi-ML) estimation of such models,although relatively straightforward in theory, is often made difficult bythe fact that available software relies on numerical methods for computingthe first derivatives of the log-likelihood; the fact that these modelsoften include a large number of parameters makes it impractical toestimate even medium-sized models. In this paper, closed-form expressionsfor the score of the BEKK model of Engle and Kroner (1995) are obtained,and strategies for efficient computation are discussed.     

基于Isomap降维的噪声处理算法

由于非线性降维方法对高维数据中存在的噪声比较敏感,导致最终的分类效果比较差．为了弥补其不足,在首先使用极大似然估计方法估测出样本数据本征维度的前提下,提出一种结合等距特征映射与主成分分析的方法．一方面能够使原始数据保持其在高维空间的几何结构,另一方面可以消除噪声对降维结果的影响,最终使得低维数据尽可能的保持原始样本数据集的内在特征．通过实验论证表明,该组合方法的效果比单独直接使用等距特征映射和主成分分析算法的效果都要好．