强杂波背景下基于变分贝叶斯推理的机载雷达目标跟踪算法

机载雷达遭受的强杂波干扰以及目标的强机动使噪声呈现长拖尾的非高斯特性.此外,载机的运动导致杂波淹没目标的航迹,使雷达无法检测到目标,出现随机的量测丢失现象.为此,设计了强杂波背景下含量测丢失的目标跟踪算法.该算法采用学生t分布来模拟非高斯噪声的长拖尾特性.通过引入伯努利随机变量,将求和形式的后验概率密度函数转换成乘积形式的概率质量函数,并构建了分层状态空间模型.在此基础上,设计了用于量测丢失的鲁棒变分贝叶斯平滑器.以机载雷达跟踪空中目标为例验证了本文算法的有效性.

基于变分贝叶斯推理的多目标无源定位算法

为提高多目标无源定位的精度和鲁棒性,文中提出了一种基于变分贝叶斯推理的多目标无源定位算法。该算法首先建立分层的混合高斯先验模型以诱导目标位置向量的稀疏性;然后,利用变分贝叶斯推理的方法估计该先验模型中隐藏变量的后验分布;最后,根据目标位置向量的后验分布估计目标的位置。仿真结果表明,该算法较传统的基于压缩感知的多目标无源定位算法具有更高的定位精度以及更好的鲁棒性。

一种基于实值变分贝叶斯推断的大规模MIMO系统下行信道估计方法

酉矩阵变换是一种常用的实值化方法,可有效地降低计算复杂度。然而,在现有的基于酉矩阵变换的大规模多输入多输出系统(Multiple input multiple output,MIMO)下行信道估计方法中,观测矩阵的维度增加了一倍,若不进行维度压缩,降低计算复杂度的目标将难以实现。虽然利用信号空间和噪声空间的正交性可压缩维度,但信号空间只能近似计算获得,不可避免地带来性能损失。为了改善信道估计性能,本文将信号空间矩阵当作变量,在估计过程中自适应地调整信号空间矩阵,但这使得信号空间矩阵和稀疏信号矩阵高度耦合,传统的贝叶斯推断无法适用。为了应对该挑战,本文进一步引入列向量独立分解的贝叶斯变分假设,成功将信号空间矩阵和稀疏信号矩阵解耦。仿真结果表明,所提方法可显著提升信道估计性能。

基于相位偏移的压缩感知无源多目标定位方法

无源定位作为一种新兴的定位技术,是安防监控、入侵检测和接触跟踪等被动传感领域的研究热点。其通过分析无源目标对无线链路的阴影效应来定位目标。相位是无线信号的一个重要特性,比信号强度更具细粒度。为提升定位性能,利用无线链路相位信息,提出基于相位偏移的压缩感知无源多目标定位方法。该方法将接收信号相位偏移值作为观测数据,结合变分贝叶斯推理,恢复目标位置稀疏向量。仿真实验结果表明,在6.5 m×6.5 m的监测区域中,基于接收信号强度的定位方法平均定位误差为0.579 0 m,而该方法的平均定位误差为0.254 7 m,定位精度提升超过1倍,且该方法具有较强的鲁棒性。

大规模MIMO系统上行链路时间-空间结构信道估计算法

针对大规模多入多出(MIMO)系统上行链路非平稳空间相关信道的估计问题,该文利用信道的时间-空间2维稀疏结构信息,应用狄利克雷过程(DP)和变分贝叶斯推理(VBI),设计了一种低导频开销和计算复杂度的信道估计迭代算法,提高了信道估计精度。由于平稳空间相关信道难以适用于大规模MIMO系统,该文借助于狄利克雷过程构建了非平稳空间相关信道先验模型,可将具有空间关联的多个物理信道映射为具有相同时延结构的概率信道,并应用变分贝叶斯推理设计了低导频开销和计算复杂度的信道估计迭代算法。实验结果验证了所提算法的有效性,且具有对系统关键参数鲁棒性的优点。

无线传感器网络中基于字典优化的压缩感知定位方法

传统的压缩感知定位方法将物理空间离散化为一个固定网格,并假设所有目标准确地落在该网格上,从而将定位问题转化为稀疏重构问题。事实上,目标的随机性导致很难找到满足上述假设的固定网格,进而引起字典失配问题,使得定位性能急剧下降。针对该问题,文中提出一种基于字典优化的压缩感知定位方法,将稀疏字典建模为以网格为参数的参数化字典,通过动态调整网格不断优化稀疏字典,从而将定位问题转化为联合参数优化的稀疏重构问题,并在变分贝叶斯推理框架下解决该问题。仿真结果表明,与传统的压缩感知定位方法相比,所提方法具有更强的可靠性和鲁棒性。

以LDA为例的大规模分布式机器学习系统分析

针对构建大规模机器学习系统在可扩展性、算法收敛性能、运行效率等方面面临的问题,分析了大规模样本、模型和网络通信给机器学习系统带来的挑战和现有系统的应对方案。以隐含狄利克雷分布(LDA)模型为例,通过对比三款开源分布式LDA系统——Spark LDA、PLDA+和Light LDA,在系统资源消耗、算法收敛性能和可扩展性等方面的表现,分析各系统在设计、实现和性能上的差异。实验结果表明:面对小规模的样本集和模型,Light LDA与PLDA+的内存使用量约为Spark LDA的一半,系统收敛速度为Spark LDA的4至5倍;面对较大规模的样本集和模型,Light LDA的网络通信总量与系统收敛时间远小于PLDA+与Spark LDA,展现出良好的可扩展性。"数据并行+模型并行"的体系结构能有效应对大规模样本和模型的挑战;参数弱同步策略(SSP)、模型本地缓存机制和参数稀疏存储能有效降低网络开销,提升系统运行效率。

结合K-均值聚类的无源目标定位技术

基于压缩感知的无源目标定位算法利用目标对无线链路的链路遮挡和阴影效应对其位置进行估计,将目标定位问题转化为信号的稀疏重构问题,可以实现低成本定位,但该算法定位误差较大,且抗干扰性差。针对这一问题,提出了结合K-均值聚类算法的无源目标定位技术,以基于变分贝叶斯推理的重构算法为基础多次定位,然后以此作为数据集,并结合网格修剪机制进行聚类操作。仿真结果表明,所提方法有效提高了定位精度,有较强的鲁棒性。