基于变分贝叶斯算法的线性变参数系统辨识

线性变参数系统(LPV)将多阶段、非线性的过程建模转化为线性多模型的辨识问题,是解决非线性过程建模的一个有效手段。由于实际工业过程存在各种干扰因素,导致被建模系统呈现随机性及模型参数的不确定性。针对这一问题,考虑采用变分贝叶斯(VB)算法对LPV模型进行辨识。该算法首先给定参数相应的先验分布,通过最大化目标函数的下界,从而估计得到参数的后验分布。不仅可实现对参数的点估计,同时量化了估计值的不确定性。针对典型二阶过程和连续搅拌反应釜(CSTR),运用提出的算法进行仿真实验,表明了该贝叶斯估计方法的优越性。

基于变分贝叶斯算法的青霉素发酵过程建模

青霉素发酵过程具有明显的阶段特征,同时由于操作条件多变、生产环境复杂等原因导致其存在极大的不确定性,故本文在变分贝叶斯框架下建立了青霉素浓度预测的FIR融合模型;首先选取调度变量对发酵阶段进行划分,然后基于变分贝叶斯算法辨识得到各FIR子模型的参数,最后根据阶段特征计算样本隶属于各子模型的概率并融合子模型的输出得到青霉素浓度的预测值;文中利用工业规模青霉素发酵罐的实际数据进行仿真实验,模型预测青霉素浓度的相关误差为0.24%,表明提出模型具有较高的拟合度,能够更为精准的预测青霉素浓度并适应实际的复杂工业环境。

基于变分贝叶斯隐马尔科夫模型的股票价格指数预测

本文将传统的隐马尔科夫模型中用于参数学习的Baum-Welch算法改进为变分贝叶斯算法,并将变分贝叶斯隐马尔科夫模型应用于股票价格指数预测,分别选取国外市场美股S&P500指数以及国内市场沪深300指数进行预测,并与传统的隐马尔科夫模型、BP神经网络、ARIMA模型相比较,得出结论变分贝叶斯隐马尔科夫模型对于大规模数据处理更有优势,运算速度快且预测精度更高。

MIMO-OFDM系统中基于变分贝叶斯EM算法的联合符号检测与信道估计

基于变分贝叶斯期望最大化(VBEM,variational Bayes expectation maximization)算法和Turbo原理,提出了时变信道条件下MIMO-OFDM系统中的联合符号检测与信道估计算法。设计的软入软出空时检测器在采用列表球形译码避免穷尽搜索的同时,考虑了信道估计误差方差矩阵的影响;利用空时检测获得的发送信号后验概率分布估计,推出了新的Kalman前向后向递归信道估计器。仿真结果表明,在时变多径信道条件下,提出的算法比传统EM算法和面向判决算法更加具有顽健性。

高超声速飞行器自适应鲁棒跟踪滤波算法

针对高超声速飞行器在复杂空域飞行时,探测信息为非平稳且统计信息未知的非高斯闪烁噪声,提出了一种改进的鲁棒高斯-学生t混合分布滤波(RGSTMF)算法。首先,针对噪声的非高斯和非平稳特性,该算法利用高斯-学生t混合(GSTM)分布对量测噪声进行建模。针对实际跟踪过程中存在的噪声统计特性未知问题,采用高斯-逆Wishart分布对量测噪声未知且时变的均值进行描述,并且采用伽马函数对学生t(ST)分布的自由度进行建模。引入伯努利随机变量和隐变量,将建模好的GSTM分布模型描述成分层高斯状态空间。基于构建的分层高斯状态空间模型,通过变分贝叶斯算法,完成对RGSTMF算法的推导。仿真结果表明,在复杂空域噪声的探测信息异常值出现以及探测信息统计特征未知时,所提出的算法能有效提高跟踪滤波的精度和鲁棒性。

基于有界高斯混合模型的高光谱图像去噪方法

针对高光谱图像的噪声去除问题,本文提出了一种基于有界高斯混合模型的高光谱图像去噪方法。在该方法中,我们使用张量表示高光谱图像,并对其进行Tucker分解,最后采用有界高斯混合模型对噪声进行拟合,从而将图像的固有特征和噪声建模相结合。我们将图像和噪声的先验信息表述为一个完整的贝叶斯模型,并设计了变分贝叶斯算法来封闭更新模型中所涉及的变量。最后,我们将本文所提出的去噪算法与其他算法进行对比,验证了该方法的先进性。