基于期望最大化加速算法的正交频分复用信道估计

针对基于期望最大化(EM)迭代算法的正交频分多路复用(OFDM)信道估计方法复杂度高、收敛慢,严重制约OFDM的传输速率的缺陷,提出了一种基于EM加速算法的OFDM信道估计方法.该方法基于拟牛顿加速算法,并结合一种带调整参数的Broyden对称秩1校正公式来实现,具有二次收敛性,提高了EM的计算速度,降低了计算复杂度.仿真结果表明,相比于空间选择期望最大算法,在性能损失只有0.1 dB的情况下,EM算法的复杂度得到很大的降低,且其计算速度可提高十几倍.

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。

基于变分高斯混合模型的图像分割算法(英文)

提出了一种基于变分推断的高斯混合模型的图像分割算法.该算法首先用贝叶斯混合高斯模型对图像的特征进行建模,并针对模型的参数学习问题,利用变分推断算法估计模型的参数及其后验概率;这种方法比采样法的计算量更少,而且能够根据图像数据自动优化混合个数,实现了模型的自动选择.最后,该算法在Berkeley的自然图像集上进行的实验结果与经典的图像分割算法进行了比较,结果表明此方法得到的图像分割结果精度较高,具有较好的性能.

基于潜在局部区域空间关系学习的物体分类算法

提出了一种物体分类模型——潜在局部区域空间关系模型及实现算法.模型描述物体各部分间的潜在空间关系,将抗缩放和仿射变换的特征区域方法与模型相结合,采用变分期望值最大方法进行学习.与同类空间关系模型算法比较,该文模型算法具有以下优点:(1)为非监督式学习模型;(2)可抵抗几何变换;(3)模型为稠密模型;(4)模型描述的是一种潜在的空间关系,这种关系对物体具有更本质的描述.在标准测试图像库上的实验表明了该算法在抵抗平移、旋转、尺度缩放、仿射变换和部分遮挡等难点问题上具有优势.

MIMO-OFDM系统中基于变分Bayes EM算法的联合符号检测与鲁棒Kalman信道跟踪

基于变分Bayes期望最大化VBEM(variational Bsayes expectation maximization)算法和Turbo原理,提出了快时变信道条件下MIMO-OFDM系统中的联合符号检测与信道估计算法.在VBEM框架下,信号检测和信道估计分别由修正的列表球形译码算法和软输入Kalman算法完成,检测器和估计器分别考虑了信道和检测信号的估计误差协方差矩阵.当信道时变剧烈时,存在较大检测误差的数据在软输入Kalman算法中引入异常值(outliers),由于Kalman算法对于异常值的敏感性,系统会在错误传播的影响下出现误码平台.为削弱异常值的影响,利用鲁棒统计理论设计了VBEM框架下改进的鲁棒软输入Kalman算法,该算法能在出现异常值的条件下保持较好的信道跟踪能力.仿真结果表明:在快速时变多径信道条件下,文中设计的鲁棒VBEM算法优于传统的VBEM算法和EM算法.

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.

基于期望-超额出行时间的道路系统最优均衡模型

为研究随机事件扰动下出行者的择路行为对交通分配的影响,同时考虑供需条件的随机变化,以期望-超额出行时间为出行者择路依据,利用边际成本收费原理,推导了边际成本收费值计算公式,建立用等价变分不等式表示的系统最优交通分配模型,并利用自适应投影收缩算法进行求解.算例表明:当OD需求系数为1.0、路段能力退化系数为0.5时,路径1边际成本收费值分别比使用期望出行时间和出行时间预算为择路依据时增加了11.27%和3.58%;当出行时间可靠度为0.9时,路径1边际成本收费值分别比使用期望出行时间和出行时间预算作为择路依据时增加了20.22%和4.30%.

图马尔可夫卷积神经网络半监督文本分类研究

随着卷积神经网络在图结构数据上的成功泛化,许多研究者将图卷积神经网络应用于文本分类;在上述方法中,以文档和单词为节点构造异构文本图网络,通过学习图节点的特征表示进行文本分类,未能有效利用节点标签的依赖关系。现提出了文本图马尔可夫卷积神经网络(TextGMCN)模型,模型利用异构图中未分类节点的条件联合分布建模节点标签的依赖性;模型利用图卷积神经网络通过端到端的训练,学习有效的文本节点表示。通过变分EM算法进行训练。在多个基准数据集上的实验结果表明,考虑文本节点标签依赖性的TextGMCN模型取得了更优的节点分类性能。

基于FSAGE的OFDM系统信道与频偏联合干扰消除算法

针对正交频分复用(OFDM)系统服务应用在诸如城区等信道多径衰落严重的场景,提出一种信道及载波频偏联合干扰消除的频域空间选择性期望最大化(frequency-space-alternating generalized expectation-maximization,FSAGE)算法.该算法首先对频域频偏进行预估计及预消除,然后通过权值迭代方式进行信道干扰消除及频偏精确跟踪.仿真结果表明,该算法能够降低信道与频偏干扰消除算法的迭代次数和处理时延,有效地消除由于信道多径衰落以及频偏引入的联合干扰.与空间选择性期望最大化(space-alternating generalized expectation-maximization,SAGE)算法相比,所提出算法的性能有较大提高.当信噪比为20 dB时,可获得较优的误码率.

5G毫米波频段不同天线形式信道参数测量及对比分析

基于5G毫米波应用频段,开展了全向天线、喇叭天线以及阵列天线的信道测量与信道参数对比分析研究.利用空间交替广义期望最大化(space-alternating generalized expectation-maximization,SAGE)算法提取了多径信道参数,包括多径时延、到达角、多径强度等,基于多径分量距离(multipath component distance,MCD)对多径分量进行了分簇结果的对比,对比分析了相同测量点处不同天线形式得到的信道参数差异.结果表明,同场景下不同天线的信道参数测量结果会有较大差别,全向天线路损指数最小,阵列天线均方根(root-mean-square,RMS)时延扩展和RMS角度扩展均最小,喇叭天线可以得到较多的簇.本文为5G毫米波频段信道建模提供了不同天线形式信道参数结果对比分析数据.

用于强海杂波中目标检测的自适应波形设计算法

针对强海杂波中的目标检测问题，对一种自适应波形设计算法进行了仿真研究．该算法首先利用期望最大化算法估计预测目标所在单元的海杂波统计特性，然后利用子空间方法实现海杂波抑制，最后以最大化广义似然比为准则，通过动态设计相位编码波形来匹配海杂波统计特性，以改善目标信杂比，进而改善目标检测性能．通过数值仿真验证了算法的有效性．仿真结果表明，与采用固定波形相比，采用自适应波形设计算法对于目标检测性能的改善程度可达7～10dB．

基于非对称拉普拉斯分布的混合分位数回归参数估计

利用非对称拉普拉斯分布提出一种新的混合分位数回归模型.传统模型仅考虑位置参数,而所提出模型同时考虑了位置参数和尺度参数,并利用期望最大化(expectation maximization,EM)算法对模型参数进行估计.数值分析结果表明,参数估计的精度在各个分位数上均较为理想,并且估计精度随着样本量的增加而提高.最后运用所提出模型及其算法对城市房价数据进行分析.

一种主动半监督大规模网络结构发现算法

在线变分期望最大(online variational expectation maximization,onlineVEM)算法可快速发现大规模网络的聚类模式,但在网络结构复杂时算法的处理结果稳定性和准确性欠佳.为更快更准地识别其聚类模式,提出一种主动半监督在线变分期望最大(active semi-supervised onlineVEM,ASonlineVEM)算法.算法首先自动选择代表节点,确定类的个数,并基于代表节点初始化模型;然后迭代执行3个任务:运行在线算法onlineVEM、主动选节点及模型更新,直至算法达到准确率的设定阈值或收敛.在不同结构的人工网络和真实网络上的实验结果表明,ASonlineVEM算法的准确性和效率均优于同类算法.ASonlineVEM算法利用主动选择的节点先验信息提高了网络聚类模式发现的稳定性及准确性,提高了在线算法的运行效率.

基于退化与寿命数据融合的产品剩余寿命预测

产品的剩余寿命预测是其维修、更换和备件策略制定的重要依据。目前的寿命预测方法一般仅利用产品自身的性能退化数据,当性能退化数据较少时,剩余寿命预测结果精度难以保证。针对性能退化过程为具有随机效果的Wiener过程的产品,对其进行寿命预测时,采用Bayes方法融合产品的历史寿命信息和该产品自身的性能退化信息,得到性能退化参数的Bayes估计,进而得到该产品的剩余寿命分布,从而提高剩余寿命分布的预测精度。金属化膜脉冲电容器剩余寿命预测分析实例表明了该方法的有效性。

多视图有监督的LDA模型

本文主要关注多视图数据的分类问题.考虑到集成分类方法可组合多个弱分类器构成一个强分类器,以及主题模型能学习复杂数据的语义表示,本文试图将集成学习思想引入主题模型中,以便同时学习多视图数据的分类规则和预测性语义特征.具体地,结合概率主题模型LDA模型和集成分类方法 Softmax混合模型,提出了一个多视图有监督的分类模型.基于变分EM方法,推导了该模型的参数估计算法.两个真实图像数据集上的实验结果表明了提出模型有较好的分类性能.

MU-MIMO-OFDM上行频偏与信道联合跟踪

本文提出了一种在MU-MIMO-OFDM(Multiple-User Multiple-Input-Multiple-Output Orthogonal-Frequency-Division-Multiplexing)上行链路中,联合跟踪残留频偏(Residual Carrier Frequency Offset,RCFO)和信道的算法.本算法采用EM(Expectation Maximization)方法求解该非线性问题,并使用变分推断来近似原来复杂的隐变量的后验概率.在估计RCFO时,考虑了信道估计误差的概率分布,从而降低了信道估计误差对跟踪性能的影响.仿真中,本算法达到了较高的跟踪精度,尤其是在高信噪比时没有误差平台问题.

基于EM算法的改进OFDM时变信道估计

针对正交频分复用(OFDM)系统中的信道时变,基于时变信道的分段线性近似模型,提出一种改进的OFDM时变信道估计方案。该方案通过采用期望最大化(EM)迭代算法来提高符号平均信道脉冲响应的估计精度,从而提高时变信道估计的性能;此外,在迭代过程中进行带状子载波间干扰抑制,不仅进一步提高了时变信道估计的性能,而且降低了实现复杂度。理论分析和仿真结果表明,该算法以较低的复杂度代价有效提高了时变信道OFDM系统的性能。

异常值和未知观测噪声鲁棒的卡尔曼滤波器

给出了对异常值和未知分布的观测噪声鲁棒的卡尔曼滤波器。分析表明当以Huber损失函数替代推导卡尔曼滤波器最大后验准则中观测误差的l2范数时,就构造了一个新的准则。由于Huber损失函数可同时描述l1和l2范数,因此由这个新准则推导的卡尔曼滤波器,在具有传统卡尔曼滤波器性质的同时,也有了l1范数对异常值鲁棒的特性。而当含异常值的观测噪声统计分布未知时,利用含未知参数的高斯混合模型描述其分布以及变分贝叶斯推理,提出了对异常值和未知统计分布观测噪声鲁棒的卡尔曼滤波器。仿真和实验在验证了分析结果正确的同时,也表明提出算法的性能优于现有文献报道鲁棒类的卡尔曼滤波器。

结合深度学习的监督主题模型

无监督主题模型在降维过程中缺少标签信息的指导,丢失一些具有判别性的文本特征,导致最终的分类结果不理想.因此,文中提出结合深度学习的监督主题模型,利用深度网络强大的非线性拟合能力建立文档主题分布与标签之间的映射,利用变分期望最大化(EM)和深度网络训练方法共同完成贝叶斯框架下模型参数的更新,通过改变网络结构和激活函数的类型,用于分类和回归任务.实验表明文中模型既能保持无监督主题模型隐含主题的提取能力,还能更好地完成分类和回归任务.

压缩感知多目标无源定位中的字典适配方法

该文针对压缩感知多目标无源定位在无线定位环境中的字典失配问题,提出基于变分期望最大化算法的字典适配方法。该方法首先根据鞍面模型建立无源字典,并将与定位环境相关的字典参数作为可调参数。然后,为目标位置向量建立两层的混合高斯先验模型以诱导其稀疏性。最后,利用变分期望最大化算法估计隐藏变量的后验分布以及优化字典环境参数,实现多目标位置估计和字典适配。仿真结果表明,相较于传统的压缩感知多目标无源定位方法,在变化的无线定位环境下,所提定位方法的性能优势尤为明显。