Adaptive detectors in the Krylov subspace

The validity of the application of the Krylov subspace techniques in adaptive filtering and detection is investigated. A new verification of the equivalence of two well-known methods in the Krylov subspace, namely the multistage Wiener filters （MWF） and the auxiliary-vector filtering （AVF）, is given in this paper. The MWF and AVF are incorporated into two well-known detectors, namely, the adaptive matched filter （AMF） and Kelly＇s generalized likelihood ratio test （CLRT） including their diagonally loaded versions, which form new detectors. Compared to the conventional AMF, CLRT, and their diagonally loaded versions as well as the reduced-rank AMF and GLRT, the probabilities of detection （PDs） of the new detectors are improved especially when the sample support is low. More importantly, the new detectors are robust of the rank selection of the clutter subspace compared to the reduced-rank AMF and GLRT. These new detectors all possess asymptotic constant false alarm rate （CFAR） property.     

梯级水电枢纽群巨灾风险分析与防控研究综述

伴随超标准巨震、极端暴雨洪水、巨型滑坡等灾害频繁发生,极端载荷作用下梯级水电枢纽群的灾害风险分析与防控等问题成为当前水利工程领域的研究热点。为分析梯级水电枢纽群巨灾风险研究现状,绘制了国内外水库大坝溃坝事件的时间序列图,分析了梯级水电枢纽群的风险特征,总结评述了梯级水电枢纽群巨灾风险分析和巨灾防控研究进展,主要结论如下：1)梯级水电枢纽群巨灾风险是我国水利水电工程风险防控面临的主要问题;2)梯级水电枢纽群风险分析方面主要聚焦于梯级水库连溃概率的分析和计算,对于溃决可能产生的巨灾损失的量化研究不足,缺乏对巨灾因子及其相关影响作用下巨灾风险的评估;3)缺乏对梯级枢纽群灾害链的阻断技术研究和应急避险方案设计研究。为此提出了梯级水电枢纽群可能最大灾难(Probable Maximum Disaster, PMD)的科学内涵,考虑可能遭遇的多种致灾因子和承灾体特征,分析相互因果关系和极端荷载组合情况,初步建立了PMD评估的理论模型,为绘制梯级水电枢纽群在巨灾情景下的灾难空间外包线和估算PMD损失上限值提供科学依据,为梯级水电枢纽群巨灾风险分析和防控提供理论基础和技术支持。     

基于深度学习的跨模态检索综述

由于多模态数据的快速增长,跨模态检索受到了研究者的广泛关注,其将一种模态的数据作为查询条件检索其他模态的数据,如用户可以用文本检索图像或/和视频。由于查询及其检索结果模态表征的差异,如何度量不同模态之间的相似性是跨模态检索的主要挑战。随着深度学习技术的推广及其在计算机视觉、自然语言处理等领域的显著成果,研究者提出了一系列以深度学习为基础的跨模态检索方法,极大缓解了不同模态间相似性度量的挑战,本文称之为深度跨模态检索。本文从以下角度综述有代表性的深度跨模态检索论文,基于所提供的跨模态信息将这些方法分为3类：基于跨模态数据间一一对应的、基于跨模态数据间相似度的以及基于跨模态数据语义标注的深度跨模态检索。一般来说,上述3类方法提供的跨模态信息呈现递增趋势,且提供学习的信息越多,跨模态检索性能越优。在上述不同类别下,涵盖了7类主流技术,即典型相关分析、一一对应关系保持、度量学习、似然分析、学习排序、语义预测以及对抗学习。不同类别下包含部分关键技术,本文将具体阐述其中有代表性的方法。同时对比提供不同跨模态数据信息下不同技术的区别,以阐述在提供了不同层次的跨模态数据信息下相关技术的关注点与使用异同。为评估不同的跨模态检索方法,总结了部分代表性的跨模态检索数据库。最后讨论了当前深度跨模态检索待解决的问题以及未来的研究方向。     

基于双重权重偏差建模的无监督域适应

无监督域适应(Unsupervised Domain Adaptation,UDA)是一类新兴的机器学习范式,其通过对源域知识在无标记目标域上的迁移利用,来促进目标域模型的训练。为建模源域与目标域之间的域分布差异,最大均值差异(Maximum Mean Discrepancy,MMD)建模被广泛应用,其对UDA的性能提升起到了有效的促进作用。然而,这些方法通常忽视了领域之间对应类规模与类分布等结构信息,因为目标域与源域的数据类规模与数据分布通常并非一致。为此,文中提出了一种基于跨域类和数据样本双重加权的无监督域适应模型(Sample weighted and Class weighted based Unsupervised Domain Adaptation Network,SCUDAN)。具体而言,一方面,通过源域类层面的适应性加权来调整源域类权重,以实现源域与目标域之间的类分布对齐;另一方面,通过目标域样本层面的适应性加权来调整目标域样本权重,以实现目标域与源域类中心的对齐。此外,文中还提出了一种CEM(Classification Expectation Maximization)优化算法,以实现对SCUDAN的优化求解。最后,通过对比实验和分析,验证了所提模型和算法的有效性。     

有适应力的分布式状态估计方法

为提高智能体系统对攻击的免疫力,研究了测量攻击下的适应力分布式状态估计方法。每个智能体对系统状态进行连续的本地线性测量。由于不同智能体的本地测量模型相互异构,对系统状态可能不具有本地可观测性,且攻击者能够操控部分智能体的测量数据,随意改变其测量结果。而智能体的目标是协同处理本地测量数据,并正确估计出未知的系统状态。因此,该问题的挑战在于在不对真实测量数据和恶意智能体的测量数据进行分辨时,如何设计算法估计得到真实的系统状态。为了解决这个问题,设计了适应性分布式最大后验概率估计算法。在该算法中,只要恶意智能体的数量小于某个特定值,所有智能体都能够收敛到系统状态。首先,根据卡尔曼滤波给出集中式最大后验概率(Maximum A Posteriori,MAP)估计方法,并与分布式一致性结合,进而得到分布式最大后验概率估计方法。然后,考虑到测量攻击,从估计一致性的角度,利用自适应饱和度增益设计了适应性分布式最大后验概率估计方法。最后,通过仿真实验验证算法的有效性。     

极值-I型风速预测的Bayes方法

为提高极值-I型风速预测精度,在Jeffreys准则的基础上,采用Bayes估计中的Lindley近似方法推导极值-I型风速预测表达式.采用Monte Carlo法产生服从极值-I型分布的伪风速母样,基于伪风速母样分别采用基于Bayes理论和最大似然估计理论的极值-I型风速预测方法进行风速预测,并与伪风速母样的理论值进行对比分析.结果表明:与最大似然估计法相比,采用基于Bayes理论建立的极值-I型风速预测模型进行风速预测的精度更高,且精度随着伪风速母样样本量的增加而提高,位置参数先验样本数量的增加以及先验方差的增大对计算精度没有影响.     

分布式MIMO雷达双门限GLRT CFAR检测

在分布式多输入多输出雷达目标检测中,为降低融合中心与局部雷达站之间的数据传输率,提出了一种双门限广义似然比恒虚警率检测算法.首先对局部广义似然比检验统计量进行第一门限判断,将过门限的局部检验统计量传送给融合中心.然后在融合中心进行融合检测,与第二门限比较得到判决结果.推导了双门限广义似然比检测器的虚警概率闭式解.仿真结果表明,双门限广义似然比检测算法在降低数据传输率的同时能保证较好的检测性能.     

Registration based compensation method based on adaptive subspace tracking

The registration based compensation (RBC) method is an effective method to compensate the range-dependence of the main-lobe clutter and side-lobe clutter in the same time. However, the compensation performance of the RBC degrades because of the mismatch of prior information and the loss of degree of system freedom. Moreover, the RBC is not very suited for real-time implementation because of the enormous computational complexity and memory usage of eigenvalue decomposition. In this paper, a novel clutter range-dependence compensation method using the modified maximum likelihood adaptive subspace estimation algorithm, which is named the MRBC method for short, is proposed. The eigenvectors matrix and eigenvalues matrix of the clutter covariance matrix are estimated by iterative tracking instead of temporal and spatial smoothing, spectrum calculation and eigenvalue decomposition. Compared with the traditional RBC method, the proposed method can reduce the computational complexity significantly and maintain the performance of clutter range-dependence compensation. In addition, the proposed method can also achieve good performance when the system error exists because of no use of prior information. Experimental simulations demonstrate the validity of this method.     

纵向数据单指标模型的广义经验似然统计推断

基于广义估计方程和二次推断函数方法,提出了纠偏的广义经验似然方法对纵向数据单指标模型进行统计推断,获得了模型中指标参数分量的极大经验似然估计和纠偏的广义经验对数似然比统计量.证明了相关估计量在一定条件下具有渐近正态性,且纠偏的广义经验对数似然比统计量依分布收敛于χ2分布,利用所得结果,可以构造未知参数的置信域及相关的假设检验.     

基于似然同步方法的非线性脑电信号分析方法

头皮脑电信号具有非平稳特性,相干等传统分析方法并不能很好地检测这些脑电时间序列间的依赖关系。广义同步中的似然同步算法对非平稳信号处理具有较好的效果,该文将它应用到实际脑电信号分析中。基于单向耦合Henon映射系统和实际脑电数据的仿真结果均表明,基于广义同步的似然同步方法适用测量非平稳信号间关系。针对健康被试静息态下,从闭眼到睁眼的过程中脑电信号间同步性的变化进行了研究,发现从闭眼到睁眼过程中,大脑的alpha波在几乎所有电极间的同步强度都显著地减弱,大脑的活动受到一定的抑制。上述结果也表明该方法在脑电数据分析中具有重要的意义,为其他的脑电研究提供一定的参考方法。