基于一阶高斯-马尔科夫模型的IMU零偏相关时间对GNSS/INS组合导航结果的影响

GNSS(global navigation satellite system)/INS(inertial navigation system)组合导航中,Kalman滤波的最优估计性能受状态模型及其参数设定影响。IMU(inertial measurement unit)的零偏和比例因子误差通常建模为一阶高斯-马尔科夫过程,而模型中的相关时间参数比较难以获得且影响不明确。因此,以IMU零偏模型为例,通过仿真低中高三种不同精度等级的IMU数据,并对比仿真GNSS中断内的导航漂移误差,研究了相关时间参数对GNSS/INS组合导航结果的影响。结果表明:当相关时间参数接近其真值时,组合导航结果在总体上趋于最优表现;中高等级IMU的加速度计零偏相关时间的影响相对较大;但总体来说,相关时间对组合导航结果影响较弱。该研究成果可为后续IMU误差模型的参数设定和优化策略设计提供一定的实验依据和研究基础。

无线传感器网络中高斯-马尔科夫移动模型参数特性研究

高斯-马尔科夫移动模型(GM模型)是一种比较符合现实场景的节点运动模型,但是GM模型参数选择复杂,如果参数选择不当,移动节点会超出仿真区域,进而影响模型的性能。本文对GM模型的参数进行了仿真分析,结果表明初始速度对节点的超界率和覆盖率影响不大,而随着α值的增大,节点超界率增大,覆盖率呈先增大后减小的趋势;随着边界阈值λ的增大,超界率减小,但覆盖率也减小。在实际应用中,应当确保超界率在可接受范围之内的前提下,尽量提高节点的覆盖率。

基于高斯马尔科夫模型的高光谱异常目标检测算法研究

随着光谱成像技术的发展,高光谱异常检测在遥感图像处理中的应用越来越广泛。传统RX异常检测算法忽略影像空间相关性,而且由于没有经过有效数据降维,运算耗费大,对于高光谱数据有效性不高。高光谱影像在空间和光谱上符合高斯-马尔科夫模型。通过建立马尔科夫参数能够直接计算协方差矩阵的逆矩阵,避免了高光谱海量数据的庞大计算。提出一种基于三维高斯-马尔科夫随机场模型的改进RX异常检测算法。该方法用高斯-马尔科夫随机场模型模拟高光谱影像数据,用最大似然近似法估计高斯-马尔科夫随机场参数,由高斯-马尔科夫随机场参数直接构造检测算子,并以待检测像元为中心设置局部优化窗口,称为马尔科夫检测窗。取窗口内数据计算均值向量和协方差逆矩阵,得到中心像元的异常度,通过移动窗口进行逐像元检测。应用AVIRIS高光谱数据对传统RX算法、高斯-马尔科夫模型背景假设异常检测算法和该算法进行了仿真实验对比。结果表明,该算法能够有效提高高光谱异常检测效率,降低虚警率。运行时间较传统RX算法提高了45.2%,体现出更好的计算效率。

基于混合高斯隐马尔可夫模型的带式输送机堆煤时刻预测方法

提出了一种基于混合高斯隐马尔可夫模型的带式输送机堆煤时刻预测方法。该方法根据传感器采集的带式输送机功率时序数据建立带式输送机运行状态的混合高斯隐马尔可夫模型,基于该模型采用基于图的状态序列遍历算法和基于切普曼-柯尔莫哥罗夫方程的概率转移算法对带式输送机堆煤时刻进行预测:基于图的状态序列遍历算法通过寻找当前状态到堆煤状态的通路确定剩余时间;基于切普曼-柯尔莫哥罗夫方程的概率转移算法通过粒子群优化算法及切普曼-柯尔莫哥罗夫方程交叉验证来获取训练样本上失败状态的概率阈值,并计算当前的状态迁移到超过失败状态概率阈值的转移次数来确定剩余时间。基于煤矿生产实际数据集的实验验证了该方法可有效预测带式输送机的堆煤发生时刻。

一种高斯-马尔科夫自组网组移动模型

研究了Ad Hoc网络中移动模型问题。针对目前Ad Hoc网络节点通常具有群组移动性的特征,提出了一种新的移动模型—高斯-马尔科夫组移动模型。通过与RWP、CGM移动模型仿真对比得出,该移动模型符合能够有效描述具有群组移动性的Ad Hoc网络,同时也表明,不同的移动模型对Ad Hoc网络路由协议性能具有很大的影响。

加总模型与扩展的高斯—马尔科夫定理

本文将经典的高斯—马尔科夫定理推广到加总数据层面,探讨三类加总形式下加总模型参数估计的最小方差线性无偏性质;揭示加总模型最小方差线性无偏性与非加总模型最小方差线性无偏性之间的关系。在满足正态误差项的假设下,进一步分析加总模型参数所具有的最优无偏特征。最后运用蒙特卡洛方法对加总模型的参数无偏性特征进行数值模拟。

基于瓶颈复合特征的声学模型建立方法

针对梅尔频率倒谱系数(MFCC)语音特征不能有效反映连续帧之间有效信息的问题,基于深度神经网络相关性和紧凑性特征,提出一种融合神经网瓶颈特征与MFCC特征的复合特征构造方法,提高语音的表征能力和建模能力。从语音数据中提取MFCC特征作为输入数据,将MFCC特征和BN特征进行串接得到新的复合特征,并进行GMM-HMM声学建模。在TIMIT数据库上的实验结果表明,与单一的瓶颈特征和深度神经网络后验特征相比,该方法识别率明显提升。

基于IPSO-FHMM的非侵入式负荷分解

非侵入式负荷分解是智能用电系统的一个重要环节,可深入分析用户的用电信息,对负荷预测、需求侧管理及电网安全有重要意义.本文提出了一种基于改进粒子群优化因子隐马尔可夫模型(IPSO-FHMM)的非侵入式负荷分解方法.利用高斯混合模型(GMM)对单负荷进行状态聚类,总负载模型由因子隐马尔可夫模型表示.针对Baum-Welch算法容易收敛于局部极值的问题,将线性递减权重的粒子群优化算法引入到FHMM的参数训练中.使用AMPds2数据集进行仿真实验,结果表明,该模型可以有效地提高分解精度.

计量经典回归模型中几个基本问题的思考

众多计量经济学文献在经典线性回归模型的基本结论的推演中,对OLS矩阵结果的相关依据、矩阵(XTX)-1的存在性、高斯-马尔科夫定理中的有效性等方面,或过简,或不够精准,或有瑕疵.作者就这几个基本问题作一探讨.

顾及大地高误差的空间三维坐标系统转换

在参心坐标系向地心坐标系转换的过程中,由于控制点在参心坐标系中缺乏高精度的大地高,使得控制点在参心坐标系中的空间三维直角坐标存在误差,对转换结果有一定的影响,而应用最小二乘准则建立的空间转换模型没有顾及这一影响。对应用总体最小二乘建立空间转换模型实现坐标系统转换的方法进行了探讨,并用已知数据分别对总体最小二乘(TLS)与最小二乘(LS)算法实现坐标系统转换做出比较,结果显示,前者计算精度高、求解更合理。

猪咳嗽声特征参数提取与识别的研究

为了实现对养猪场猪患咳嗽症状疾病的诊断,试验在猪咳嗽声学特性的基础上,对猪干咳声和湿咳声的梅尔倒谱系数和线性预测倒谱系数两种特征参数进行对比,提出了基于梅尔倒谱系数及其一阶差分为特征参数的隐马尔科夫模型对猪两种咳嗽声的识别方案。结果表明:在提取24维梅尔倒谱系数及其一阶差分,4个高斯混合分量描述观测向量输出分布时,建立的隐马尔科夫模型对猪两种咳嗽声的识别率最高。此方案可以有效完成养殖场猪咳嗽声的识别,有助于养猪场自动化监控。

城市道路车辆行为识别方法研究

为了提高城市道路驾驶的安全性,提出一种基于混合高斯隐马尔科夫模型的城市道路车辆行为识别方法。首先通过仿真平台获取城市三车道道路场景的车辆运动轨迹信息和车辆信息并对其进行数据处理和特征提取,选取目标车辆车头中心与初始所在车道右侧车道线的距离,以及目标车辆纵向和横向速度作为特征参数,再通过鲍姆-韦尔奇算法对模型参数进行训练迭代更新,最后结合前后向算法实现城市道路车辆行为的识别。仿真结果表明,采用混合高斯隐马尔科夫模型对城市道路车辆行为进行识别具有较高的精度。

高动态迁移下无人机自组网路由协议研究

无人机自组网是对移动自组网的空天扩展,其高机动的飞行特性和网络高迁移性的特点,为移动自组网提出了一个具有挑战性的环境。论文提出在三维空间仿真模型中,针对无人机集群飞行高迁移性的特点,使用基于内存的三维高斯-马尔科夫移动模型模拟高动态无人机节点,对几种常用的移动自组网路由协议进行仿真,分析在高拓扑变化和高移动速度场景下各协议性能表现。最后仿真结果表明OLSR协议能在复杂的网络环境下相比其他协议保持较出色的适用能力,但其时延会随网络负载增加而增加,还需进一步优化。

基于非参数贝叶斯谐波阻抗估计的谐波责任区分

线性回归法在背景谐波电压波动的情况下估计谐波阻抗有较大误差,其诸多改进方法又普遍具有局限性。为此,基于非参数贝叶斯估计提出一种普适性方法。将背景谐波电压视为隐变量,用GMM(高斯混合模型)建模,并指出GMM的参数在实际工程背景下的意义;将GMM参数、线性模型参数建模为狄利克雷过程混合模型,并推导出其后验分布;利用马尔科夫链-蒙特卡洛采样方法从后验分布中抽取样本,基于样本进行贝叶斯估计,求解谐波阻抗和背景谐波电压工况数,进而对谐波责任进行评估。将IEEE 14节点测试系统与实测案例结合进行仿真,通过非参数贝叶斯估计法与线性回归法仿真结果的对比,验证了非参数贝叶斯估计法的有效性。

稳健估计下的坐标系统转换总体最小二乘算法

针对传统的应用最小二乘法建立高斯-马尔科夫(G-M)模型实现坐标系统转换的方法导致转换模型参数精度低下的问题,该文提出一种基于总体最小二乘算法的坐标系统转换方法。考虑到粗差会导致控制点坐标精度差异较大,因此根据稳健估计理论进行迭代定权,在总体最小二乘算法下建立G-M模型,以便求解转换模型参数,并通过算例比较不同算法的转换精度。实验结果表明:基于稳健估计的总体最小二乘抗差算法实现的空间坐标转换精度高于传统方法的转换精度。

一种机载LiDAR条带平差最小二乘匹配算法

基于七参数正形变换的数据驱动模型实现了机载LiDAR条带平差,算法借鉴了Robert(2004)的最小二乘表面匹配思想,通过引入高斯-马尔科夫模型改进了原有算法,得到未知参数的最小无偏方差估计。实验采用两组实测数据,分别考察了引入高斯-马尔科夫模型的必要性、算法效率以及迭代收敛性和算法精度。实验表明:(1)剖面检查吻合且精度一致;(2)Terra Match量测匹配精度,理想数据高程匹配误差小于0.05m,数据质量不理想时误差稍大,但均能成功匹配。