一种基于稀疏贝叶斯学习的离网DOA估计算法

本文提出一种基于稀疏贝叶斯学习的改进离网DOA估计算法,以提升非理想测向环境下在低信噪比、低快拍数时的DOA估计性能,称之为MOGSBL算法。本算法将信号源方位区间进行离散化,得到方位离散网格。为阵列接收信号建立稀疏贝叶斯模型,将网格节点修正量设为模型超参数。采用期望最大化算法迭代更新网格节点修正量,使更新后的网格节点更接近真实源信号方位。为了检验MOGSBL算法的性能,本文进行了大量的数值实验,并将MOGSBL算法的DOA估计结果与RSBL算法、OGSBL算法和L1-SVD算法进行对比。在不同信噪比和不同快拍数时,MOGSBL算法均能清晰分辨方位很接近的两个信号源,角度分辨率明显高于RSBL算法、OGSBL算法和L1-SVD算法。随着信噪比和快拍数的增加,4种算法的RMSE均逐渐减小。但MOGSBL算法的RMSE明显低于RSBL算法、OGSBL算法和L1-SVD算法,且RSBL算法、OGSBL算法优于L1-SVD算法。实验还分析了方向测试范围的离散网格节点数对DOA估计的影响,发现细密的离散网格可以提高DOA估计精度,但DOA估计的计算量会增加。且在任意网格节点数时,相比于RSBL算法、OGSBL算法和L1-SVD算法,本文的MOGSBL算法均具有最低的RMSE和最短的计算时间。

基于贝叶斯压缩感知的FD-MIMO雷达Off-Grid目标稀疏成像

传统压缩感知(CS,Compressive Sensing)成像方法一般假定目标精确位于事先划定的成像网格上,实际中由于散射点空间位置是连续分布的,因此偏离网格(Off-grid)问题必然存在.这会引起真实回波测量值与默认系统观测矩阵之间失配,导致传统CS成像方法性能恶化.本文基于频率分集多输入多输出(FD-MIMO,Frequency Diverse Multiple-Input Multiple-Output)雷达,针对Off-grid目标提出了一种基于贝叶斯压缩感知的稀疏自聚焦(SAF-BCS,Sparse Autofocus Imaging Method Based on Bayesian Compressive Sensing)成像算法.该算法依据最大后验(MAP,Maximum A Posteriori)准则,利用变分贝叶斯学习技术求解含有Off-grid目标的稀疏像.与传统稀疏重构方法相比,所提方法充分利用了目标先验信息,可自适应调整参数,能够更好地反演稀疏目标,同时具有校正Off-grid目标的网格位置偏差以及估计噪声功率等优势.仿真结果表明SAF-BCS算法对网格划分不敏感,具有稳健的成像性能.

网格环境下基于Bayesian网络的信任模型研究

在开放的网格中,为不同管理域之间建立信任关系并以此实现他们之间的协同工作是当前网格所面临的一个主要安全问题。为了提高网格的安全性和可扩展性,论文提出了一个网格环境下基于Bayesian网络的分层信任模型,用以解决处于不同管理域的实体之间协同工作的安全问题。模型上层建立和维护具有不同安全策略管理域之间的推荐信任关系,下层负责处理管理者对域内实体的信任评估问题。同时考虑了影响实体之间直接信任值的不同因素,以及他们之间复杂的依赖关系,利用Bayesian网络和领域层次结构相结合的方法有效合理地将各方面因素整合起来,形成能够反映实体在不同方面的直接信任值。

改进的变分稀疏贝叶斯学习离格DOA估计方法

为提高阵列信号处理运算速率,改善其方位估计性能,提出了一种改进变分稀疏贝叶斯学习离格波达方向(direction-of-arrival, DOA)估计方法。该方法利用实值变换,将向量化后的接收信号协方差矩阵转化到实数域,结合变分稀疏贝叶斯学习和网格演化的思想,在迭代过程中使网格从初始的均匀网格自适应地演化为非均匀网格,通过网格更新和网格裂变交替迭代使演化后的网格点逐渐逼近真实信源方位。仿真结果表明,改进方法与传统压缩感知类方法相比,减小了运算量,提高了运算速率,且具有更高的方位估计精度和方位分辨能力,在少快拍和低信噪比情况下,改进方法性能提升的优势更明显。湖上试验数据处理结果进一步验证了该方法的有效性和工程实用性。

近地面爆源参数的贝叶斯声震联合反演方法

提出了一种近地面爆源参数的贝叶斯声震联合反演方法,推导了多类型数据的贝叶斯声震联合定位理论,建立了爆源多参数的综合反演方法,探讨了声单传感器测点到时、声阵列方位角和到时及地震波到时等多类型数据的联合定位精度和特点,分析了格点搜索法和MCMC方法求解起爆时间、爆源位置等源参数的定位精度和求解效率,讨论了爆源多参数综合反演方法的性能。研究表明,贝叶斯声震联合反演方法得到的爆源参数分布范围集中、离散度小、相对声或地震等单一反演方法的源参数估计更稳定、估计偏差始终位于较小水平。贝叶斯MCMC方法在有限步长情况下可以快速搜索到真实解附近,相对格点搜索法定位精度和求解效率更高。起爆时间、爆源位置和爆炸当量等源参数综合反演具有较高的估计精度,其中爆源位置和当量真实值位于可信区间,95%可信区间可以有效估计爆源位置,90%可信区间可以有效估计爆炸当量。

基于电网调度运行的智能防误方法研究

针对电网调度过程中,相关节点数据异常监测和防误不及时的问题,设计一个基于电网调度运行的智能防误系统。系统通过嵌入式技术,将精确字符集(BM)算法融入电网调度数据监测中,通过优化监测数据达到精确数据的目的;对于超过设定值的异常数据,利用支持向量机(SVM)—主成分分析(PCA)算法进行防误校核,实现电网调度智能防误。实验结果表明,该系统能通过故障线路电流出现明显的波动,更准确地诊断出故障元件;电网调度防误准确率稳定在96%左右,最高达97%,且变化趋势不大。

基于智能电网测试平台的广域监测和控制系统

针对智能电网控制系统内部通信协议杂糅导致的处理速度慢、处理数据时无法很好地检测出错误数据等问题,提出一种基于动态贝叶斯网络的监控与数据采集系统故障监测及诊断方法。该方法使用云平台处理和保存即时的数据,减轻各个站点因处理数据而产生的不必要开销,并使用贝叶斯网络模型来更快速更高效地进行错误数据的监测。在层与层之间使用通信协议快速高效地传输数据,以提高广域控制能力。试验结果显示,监控与数据采集系统相对于其他检测错误数据的系统灵敏度有了10%~20%的提高,故障识别准确率可达95%,提高了智能电网测试平台检测和识别能力。

基于变分稀疏贝叶斯的off-grid DOA估计

针对传统稀疏贝叶斯学习方法在解决低信噪比条件下信号到达角DOA估计中,到达角不完全落在阵元端离散化网格点上的情况,提出了一种基于变分稀疏贝叶斯学习期望最大化的离格DOA处理方法.该方法首先对均匀线阵的实际接收信号off-grid情况建立参数化稀疏模型,利用变分稀疏贝叶斯学习方法,通过最小化KL散度寻求一个与后验概率近似的概率分布,其次期望最大化方法分别在期望阶段和最大化阶段进行参数推断,进一步在离格误差模型下以较高的精度和分辨率实现信号到达角的估计,最后仿真结果表明,该方法不仅在传统SBL方法的基础上提高了运算效率,而且具有更高的空域分辨率和角度估计精度,该方法具有优越的角度估计性能.

基于激光雷达与深度相机融合的SLAM算法

针对单一传感器地图构建时存在环境表征不充分,无法为移动机器人自主导航提供完整环境地图等问题,本文通过将激光雷达与深度相机获取的环境信息进行互补融合,构建出更完整精确的栅格地图。首先,对传统ORB-SLAM2算法进行增强,使其具备稠密点云地图构建、八叉树地图构建以及栅格地图构建等功能。其次,为验证增强后ORB-SLAM2算法的性能,在fr1_desk1数据集和真实场景下进行测试,数据显示增强后ORB-SLAM2算法绝对位姿误差降低52.2%,相机跟踪轨迹增长14.7%,定位更加精准。然后,D435i型深度相机采用增强型ORB-SLAM2算法,激光雷达采用的Gmapping-Slam算法,按照贝叶斯估计的规则进行互补融合构建全局栅格地图。最后,搭建实验平台进行验证,并分别与深度相机和激光雷达2个传感器建图效果进行对比。实验结果表明,本文融合算法对周围障碍物的识别能力更强,可获取更完整的环境信息,地图构建更加清晰精确,满足移动机器人导航与路径规划的需要。

基于贝叶斯压缩感知的子空间拟合离格DOA估计

针对传统的基于稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)的波达方向估计算法对噪声鲁棒性不高的问题,提出了一种基于SBL的子空间拟合离格波达方向(Direction of Arrival,DOA)估计方法。首先对接收数据的协方差矩阵进行特征分解,获得信号的加权子空间,构造等价信号的稀疏表示模型并利用贝叶斯学习算法进行参数求解。同时对于网格划分带来的建模误差问题,采用了离格贝叶斯推导(Sparse Bayesian Inference,SBI)算法进行求解,利用期望最大化算法迭代更新相应的参数。仿真结果表明,相对于传统的DOA方法,该方法具有更好的估计精度。

基于稀疏贝叶斯学习的稳健STAP算法

为了提高阵列幅相误差和格点失配情况下稀疏恢复空时自适应处理(sparse recovery space-time adaptive processing,SR-STAP)算法的性能,提出一种基于稀疏贝叶斯学习的稳健SR-STAP算法。首先,利用空时导向矢量的Kronecker结构构建SR-STAP误差信号模型;然后,利用贝叶斯推断和最大期望算法迭代求取角度多普勒像和误差参数;最后,利用求解参数估计精确的杂波加噪声协方差矩阵并计算权矢量。仿真实验表明,所提算法能够显著提高稀疏信号模型失配时的目标检测性能。

基于朴素贝叶斯算法的电网故障诊断研究

针对现有的电网故障诊断系统误差大、适应性差等问题,将朴素贝叶斯算法和D-S证据理论结合,并利用经验模态分解(EMD)方法将电网故障信号分解为有限个固有模态函数。针对电网设备并联型有源电力滤波器(SAPF)中功率开关的开路故障会加剧电网的谐波污染,提出一种基于三相四开关(TPFS)拓扑进行硬件容错。仿真结果表明,近5年内年平均精度达到94%,具有良好的诊断效果。

基于多重信息增益的移动机器人探索策略

针对移动机器人在未知环境中自主探索及建图存在盲目性的问题,提出了一种基于贝叶斯优化评估多重信息增益的探索策略。在候选点提取方法上采用融合前沿点聚类与可通行区域的方式综合衡量提取,相较于传统的前沿点检测方法有效解决了候选点集合过大及环境信息缺失等问题;在候选点评估方法上利用贝叶斯优化计算多重信息增益,综合考虑地图熵值与距离成本,相较于仅考虑地图熵值选取最佳候选点的方法,有效改进了机器人在环境中的冗余路径。该算法在机器人操作系统(robot operating system,ROS)中采用Gazebo进行仿真实验验证,构建环境地图。结果表明,该方法可以使移动机器人快速有效地探索未知环境,高质量完成建图任务。

一种改进的粒子滤波SLAM算法

提出一种改进的粒子滤波SLAM(simultaneous localization and map building)同时定位和地图创建实现方法。改进方法让机器人大约行进10步完成基于局部已创建地图下的粒子滤波定位后,再利用激光传感器探测环境并更新创建的地图;同时在利用粒子滤波定位时,使粒子只分布在由航位推算法得出的机器人位姿附近,从而可有效地减少粒子的数量。实验结果表明,与标准的粒子滤波SLAM算法比较,改进算法提高了机器人SLAM过程中定位和地图创建的精度和实时性,并为移动机器人在室外未知环境同时定位和地图创建提供了新方法。

基于粒子滤波的移动机器人SLAM改进算法

针对未知环境中移动机器人同时定位和地图创建(Simultaneous Localization and Map Building,SLAM)由于机器人位姿和环境地图都不确定导致定位和地图创建变得更加复杂,提出一种局部最优(全局次优)参数法,即通过局部最优的位姿创建局部最优的环境地图,再通过局部最优的环境地图寻求局部最优的位姿,如此交替进行,直到得到全局确定性的位姿和确定性的环境地图。实验结果表明,同标准的基于粒子滤波的SLAM算法(Particle Filtering-SLAM,PF-SLAM)比较,改进的算法提高了机器人SLAM过程中定位的准确度和地图创建的精确度,为机器人在未知的室外大环境同时定位和地图创建提供新的方法。

基于态势评估技术的移动机器人局部路径规划

从认知的角度,提出采用态势评估技术来求解移动机器人局部路径规划的问题。首先,在机器人坐标系下将机器人前方[10°,170°]的范围划分为5个区域,在二维激光测量数据与图像数据的融合结果中,提取不同区域的机器人环境态势要素;建立机器人行为选择贝叶斯网络模型,以机器人的环境态势要素为证据进行推理,选择推理结果中后验概率值最大的某种行为:直线行走、避障和逃离U型陷阱;对选择的行为处理后,依据声纳测量数据选择下一步要移动的栅格,并调整机器人的行进方向。11种典型仿真场景的测试中,1种场景测试失败,其余10种场景中机器人均能够以最短或次短的行进路线到达目的地。实验结果表明,利用态势评估技术解决移动机器人局部路径规划问题是一种有效且可行的方法。

基于栅格地图的智能车辆运动目标检测

运动目标检测是智能车辆动态环境感知中的关键问题。栅格地图是一种实用的环境感知方法。以激光雷达作为传感器,针对基于贝叶斯框架和证据理论的4种栅格地图更新算法,分别提出了不同的运动目标检测方法,并通过仿真和实验对4种方法在栅格地图构建和运动目标检测中的性能进行了对比研究。实验结果表明,通过对比当前时刻局部栅格地图和上一个时刻的全局栅格地图,原始的贝叶斯推理算法和证据理论框架中的经典Dempster组合规则能够清楚完整地检测到运动目标,并能滤除静态障碍物和空白区域中的测量噪声,性能优于修正的贝叶斯推理算法和冲突信息按比例重分配规则。

基于双平行互质阵列的二维高精度DOA估计

为利用互质结构进行二维高精度波达方向(direction of arrival,DOA)估计,设计了双平行互质阵列,提出了构建非均匀虚拟阵列的失配处理贝叶斯学习方法,最大限度扩展了测向自由度的同时,降低了网格失配对DOA估计精度的影响。首先,对平行互质阵列进行垂直方向扩展构建了双平行互质阵列;其次,进行了非均匀虚拟阵列扩展,利用稀疏贝叶斯学习进行稀疏重构;然后,利用到达角相邻网格的能量关系,通过泰勒展开,进行了低复杂度的失配处理;最后,提出剔除规则和选择规则,融合两个方向子阵的估计结果。理论分析和仿真实验证明了所提阵列和DOA估计方法的有效性。

概率方法在恢复力模型参数识别中的应用分析

考虑模型和模型参数的不确定性,应用贝叶斯概率方法通过实测数据对恢复力模型参数进行识别。首先,推导得到模型参数的负对数似然函数表达式,建立基于贝叶斯理论的恢复力模型参数识别计算框架;其次,根据密肋复合墙体在低周反复荷载作用下所得滞回曲线,建立针对该类型墙体的用于识别的恢复力模型;最后,以2种加载方式下的2块比例为1/2的密肋复合墙体试件的实测滞回数据为例,基于贝叶斯理论识别得到恢复力模型参数的最有可能值和协方差矩阵,分析模型选取的依据和模型误差对反应预测的影响。研究结果表明:由模型参数最有可能值得到的滞回曲线与实测值较吻合,验证了识别结果的合理性;采用贝叶斯概率方法可以定量的确定模型参数的不确定性,为后续计算分析提供依据。

超宽带穿墙雷达偏离网格目标稀疏成像方法

在超宽带穿墙雷达成像应用中,由于目标成像空间的稀疏性表示可以采用压缩感知在较少数据采集下获得高分辨、低旁瓣的成像结果。然而,这些稀疏成像方法要求真实目标必须位于预设的网格点上才能保证较好的成像质量,否则会出现严重的虚假目标像。本文提出一种基于修正贝叶斯压缩感知的偏离网格目标稀疏成像方法。该方法对偏离网格目标的感知矩阵在预设网格点进行一阶泰勒级数展开,把真实目标与网格点之间的偏移量视为稀疏贝叶斯模型的参数,然后通过构造的联合概率密度函数利用最大期望方法联合估计目标散射系数和偏移量,保证了目标真实像的准确恢复。仿真和实验结果表明,该方法通过校正目标偏离网格引起的模型误差有效改善了传统稀疏重建方法的成像质量。