中国金融机构的短期风险传染及长期关联因素动态结构分解——基于DCC-MIDAS模型的证据

探究机构间过度关联是防控系统性风险大面积爆发的关键,但金融机构间不可避免地存在长期关联,同时金融危机会触发机构间短期的风险传染。采用DCC-MIDAS模型,借助动态条件相关系数分解法,在统一框架下研究关联的长期和短期特征。通过短期关联的时变性和持续差异以及长期关联的敏感因素分析,探究中国金融体系在两个结构变化阶段,机构间风险传染范围、持续性以及金融机构间长期关联的宏观和微观特征。研究发现,机构间的冲击传染具有暂时性,随着中国金融机构的多元化,其传染幅度和持续性均有所下降。机构间的规模、杠杆差异能降低机构间的长期关联并间接降低冲击传染幅度,随着中国金融机构市场化程度的增强,长期关联受到市场因素影响程度增加。建议将机构差异化作为风险控制策略的参考因素,并检测和调控市场指标对关联程度的影响,防止机构形成过高的长期关联,以控制未来冲击中可能造成的风险传染。

联合交互式多模型概率数据关联算法

通过对交互式多模型（ＩＭＭ）算法和概率数据关联（ＰＤＡ）算法的研究，指出Ｂａｒ－Ｓｈａｌｏｍ和Ｂｌｏｍ等提出的ＩＭＭＰＤＡ算法结构和理论上存在的问题。根据全局最优的思想，设计了一个最优波门，从而得到全局最优的量测集合，保证了系统的理论完整性和结构合理性。推导完成了新的联合ＩＭＭＰＤＡ算法——Ｃ－ＩＭＭＰ－ＤＡ算法。大量仿真计算验证了Ｃ－ＩＭＭＰＤＡ算法在减少计算量的同时，总体性能上较之原ＩＭＭＰＤＡ算法有大幅度提高。

基于改进交互多模型概率数据关联的机动目标跟踪（英文）

为了提高杂波条件下的空中机动目标跟踪精度,提出了一个改进的交互多模型概率数据关联算法。该算法将交互多模型、去偏转换测量和概率数据关联算法相结合,利用交互多模型算法模型集合间不同模型的相互切换来估计跟踪目标的状态;利用去偏转换测量算法对转换测量误差进行去偏补偿,从而减小观测数据坐标变换引起的误差;利用概率数据关联算法处理数据关联和测量的不确定性。通过将本文的算法和基于扩展卡尔曼滤波的概率数据关联算法进行对比分析和验证,实验结果表明本文提出的算法可以提高机动目标的跟踪精度,且跟踪精度相对基于扩展卡尔曼滤波的概率数据关联算法减少26.38%的位置误差。

一种改进的联合交互式多模型概率数据关联算法

在多目标跟踪领域,由于概率数据关联(PDA)算法对关联门相交区域内公共回波的处理过于简单,因而在目标密集或交叉环境中关联性能差。考虑公共回波对航迹更新的影响对PDA算法进行改进,并将改进的PDA算法和交互式多模型(IMM)算法结合提出了一种改进的联合交互式多模型概率数据关联(IC-IMMPDA)算法,并在Matlab环境下将该算法与联合交互式多模型概率数据关联算法(C-IMMPDA)算法对比研究。仿真结果表明:在目标密集或交叉的环境下,新算法跟踪性能远好于C-IMMPDA算法,同时保持了较小的计算量,在实际工程中有很好的应用前景。

新的分布交互式多模型广义概率数据关联算法

为有效解决密集杂波环境下分布式多传感器多机动目标跟踪问题,提出了一种基于改进D-S证据组合规则的分布交互式多模型多传感器广义概率数据关联(DIMM-MSGPDA-IDS)算法。该算法首先对各局部节点均应用单传感器的IMM-GPDA算法跟踪多机动目标,并将其各模型的状态估计、协方差估计、模型概率、组合新息及其协方差矩阵等滤波结果送至融合中心;在航迹关联判决结束后,融合中心根据各模型对应似然函数的大小融合不同传感器关于同一目标的模型状态估计及其协方差矩阵,并提出利用三维(3-D)证据进行直接融合的改进D-S算法对来源于同一目标的不同传感器的各模型概率进行有效融合,然后依此概率来更新各目标的状态估计并反馈至各局部节点,使之获得更为精确的状态预测;最后,将该算法与基于D-S证据组合规则的分布交互式多模型多传感器联合概率数据关联(DIMM-MSJPDA-DS)算法进行仿真对比分析。理论分析和仿真结果表明,该算法能够很好地对强机动目标进行跟踪,且其计算量相对较小,是一种有效的分布交互式多模型多传感器多机动目标跟踪算法。

交互多模型—概率数据关联的无源定位方法

随着电子战技术的发展,对电子支援系统的生存能力和对目标定位能力的要求越来越高,根据要实现的两个要求,通过分析了提高系统生存能力的无源定位原理,对如何实现对高机动目标定位的交互多模型—概率数据关联的方法进行计算机仿真,结果表明在杂波和高机动情况下,交互多模型—概率数据关联的无源定位方法的可行性。

基于交互式自适应概率数据关联的目标跟踪算法

在联合交互式多模型概率数据关联思想的基础上,将自适应滤波算法应用到概率数据关联滤波器中,提出了一种适用于杂波环境机动目标跟踪的新算法—交互式自适应概率数据关联(Interactive Multiple Models Adaptive Probabilistic DataAssociation—IMM-APDA)算法,避免了模型选取的不确定性,扩大了机动目标的跟踪范围,实现了杂波环境中对目标较高精度的状态估计.理论分析与仿真结果验证了该算法的优越性,提高了目标跟踪精度.

基于改进CS模型的自适应概率数据关联算法

针对密集杂波环境下传统概率数据关联算法对突发机动目标跟踪性能下降问题,提出了一种基于采用渐消因子的改进"当前"统计模型的自适应概率数据关联算法。该算法改进了传统的"当前"统计模型中加速度方差的计算方式,并在滤波算法中采用了渐消因子,克服了传统卡尔曼滤波的3大缺陷,通过改变预测协方差来修正滤波增益,在保持跟踪精度的前提下,能自适应调整滤波器带宽,增强了系统对突发机动的跟踪能力。理论分析和仿真结果表明,该算法比采用强跟踪滤波器的概率数据关联算法更有效。

具有固定延迟平滑的交互多模型概率数据互联算法

为了提高杂波环境下跟踪机动目标的跟踪精度,文中将交互多模型概率数据互联(IMMPDA)和固定延迟平滑(LS)思想相结合,提出了一种具有固定延迟平滑的IMMPDA(IMM-LS-PDA)算法,通过引入延迟,增广了目标的状态向量,使得目标的固定延迟平滑状态估计更加准确。仿真结果表明,在杂波环境下对机动目标进行跟踪,单纯的IMMPDA算法的跟踪误差很大,并且在转弯机动处,误差出现峰值,算法的平稳性较差;而在进行固定延迟平滑后,算法的跟踪精度有了明显的提高。

基于自适应采样速率交互式概率数据关联的机动目标跟踪算法

在交互式多模型和概率数据关联算法融合的基础上,又将自适应采样速率算法融合到交互式多模型概率数据关联滤波器中,提出了自适应采样速率交互式概率数据关联算法,该算法不但能有效地跟踪高速机动的目标,且能使系统的采样间隔根据目标的运动状态做自适应调整.仿真结果表明该算法扩大了机动目标的跟踪范围,且对高速机动的目标有很好的跟踪效果和较强的跟踪精度.

基于多速率运动模型的多帧概率数据关联算法

该文指出Hong(2001)在多速率运动模型巾关于过程噪声的一处错误,提高了多速率运动模型状态估计效果,并在此基础上建立了多帧概率数据关联算法。在确定多帧量测数据有效回波时,提出双重门限方法,有效减少了多帧概率数据关联算法的计算量。最后针对各种杂波密度情况对多帧量测数据概率数据关联算法的性能进行了分析。

灰色预测-概率数据关联滤波方法

针对红外弱小目标跟踪精度不高,实时性不好等问题,提出了一种基于灰色预测-概率数据关联滤波(GPPDAF)的弱小目标跟踪方法。该方法采用实时性较好的灰色模型对目标轨迹进行预测,并以预测位置为中心构建跟踪波门,然后通过改进的极大似然概率数据关联(MLPDA)算法计算波门内各量测点的概率权重,最后用各量测点的概率加权和作为跟踪结果。实验结果表明,该方法实时性能较好,较大地改进了红外弱小目标的跟踪精度。

基于量测转换的交互多模型概率数据互联算法

针对雷达跟踪机动目标时,目标运动模型通常线性地建模在直角坐标系内,而量测数据由传感器获得的实际情况,提出了基于量测转换的交互多模型概率数据互联算法。推导了该算法中相关的滤波估计、滤波误差协方差和数据关联概率,并且提出了跟踪门的确定方法。仿真结果表明了新算法的可行性和有效性。

一种新的多模型联合概率数据关联方法

在机动目标跟踪中,针对以往IMM-JPDA算法易导致目标与回波误关联或不关联,M3-JPDA算法对状态向量和运动模型结构约束条件较高的情况,提出了一种将M3-JPDA与IMM-JPDA相结合的IMM-JPDA-(CV)2CAV算法,并将其与传统方法进行了比较。仿真计算证明了此算法具有较好的跟踪性能。

一种改进的基于“当前”统计模型的联合概率数据关联算法

针对自适应卡尔曼滤波算法中"当前"统计模型需要预先设置机动频率和加速度极限值,不合理的设置将造成目标跟踪误差加大的情况,首先对机动频率进行调整,提出了新的自适应卡尔曼滤波算法。在此基础上,文章将新的自适应卡尔曼滤波算法和联合概率数据关联算法相结合,提出了一种改进的基于"当前"统计模型的联合概率数据关联算法。通过仿真实验证明,该算法能够较好地减弱目标机动,尤其是目标弱机动对原有自适应跟踪算法跟踪精度地带来的影响。

基于距离加权的概率数据关联机动目标跟踪算法

为了提高杂波环境下机动目标跟踪的实时性和精确性,在概率数据关联算法的基础上,引入距离加权的概念,以区分来自于目标的量测概率和来自于杂波的虚假概率,在一定程度上提高了概率数据关联算法在密集杂波环境下的非机动目标的跟踪性能.针对机动目标的跟踪,提出了一种适用于密集杂波环境下的联合交互式多模型概率数据关联跟踪算法,该算法利用距离加权的概率数据关联算法进行滤波.模拟实验结果表明:该算法可以在一定程度上提高密集杂波环境下机动目标跟踪的性能,能够更加有效、可靠地实现机动目标跟踪的目的.

集中交互式多传感器联合概率数据互联算法

为了解决杂波环境下多传感器多机动目标跟踪问题,本文提出了一种集中交互式多传感器联合概率数据互联算法。本文提出的算法首先应用广义S-D分配的规则对每个传感器送来的观测数据进行排列组合,并对所有的测量组合进行有效性判断,然后应用数据压缩的方法将每个有效量测组合压缩成一个等效量测点并根据每个等效量测点的联合似然函数计算其联合互联概率,最后在此基础上应用交互式多模型算法的思想以处理目标出现机动的问题。本文最后给出了该算法的分析,仿真结果表明,本文算法能够很好地解决杂波环境下多传感器多机动目标的跟踪问题。

基于概率关联分析的仿真模型验证方法研究

最基本、最直接的仿真模型验证方法是比较相同输入条件下实弹飞行数据与仿真数据的一致性,但现有动态数据一致性检验方法主要适用单样本实弹飞行数据和单样本仿真数据的情况,不符合装备鉴定/定型工作中面临的单样本实弹飞行数据与多样本仿真数据的一致性检验需求。为此,提出一种基于概率关联分析的仿真模型验证方法。从概率关联系数和概率关联度2个尺度层面度量数据的一致性,通过计算实弹飞行样本在仿真数据构建的分布函数中的累积概率分布函数值确定概率关联系数;通过判断概率关联系数是否满足[01]均匀分布计算概率关联度,从而解决了一类动态数据关联的一致性分析问题。证明了概率关联度满足的关联定理及性质。给出了基于概率关联分析的仿真模型验证步骤。该方法能够同时处理多元仿真数据,融合了试验过程的随机因素,在小样本实弹飞行试验条件下更能充分利用试验信息,因此提高了仿真模型验证的精度和可靠度。通过数值测试和应用实例验证了新方法的合理性和有效性。

多传感器多模型相互作用的数据关联方法

基于信息融合中的数据关联技术,在卡尔曼滤波基础上,结合相互作用多传感器多模型的概率数据互联算法,建立故障监测报警和现场传感器量测数据关联二者之间的关系,建立更具一般性的分布式传感器系统基础上的多传感器多模型,改进概率数据关联方法,以用于故障监测报警中相互作用的算法.并结合一个时变系统中空间位置传感器的故障诊断问题为例,运用多传感器多模型相互作用的数据关联方法进行仿真分析,研究此类故障判据的数据关联问题和数据关联算法的改进,研究表明相互作用多模型的概率数据互联改进方法不仅与有限维数的特定测量阈值相对应,而且直接针对故障模式,能够体现出动态模型的优点,可以与系统诊断知识相融合,为故障诊断的单步的、多步的、长期的预测预报提供依据.

一种改进的联合概率数据关联算法

针对联合概率数据关联算法在跟踪多机动目标时跟踪精度不高、计算量较大等问题,提出了一种新的联合概率数据关联算法。引入"当前"统计模型,并针对"当前"统计模型中机动频率和加速度方差不能自适应调整的问题进行了改进,实现了机动频率和加速度方差自适应。针对联合概率数据关联算法在跟踪多机动目标时,随着目标数的增多,算法计算量急剧增大的问题,提出了改进算法。改进算法避开了联合概率数据关联算法中由确认矩阵计算关联矩阵的过程,直接从确认矩阵计算关联概率。仿真实验结果表明:所提算法有效提高了多目标的跟踪精度,降低了算法计算量。