基于可逆跳跃马尔可夫链蒙特卡罗方法的空间邻近目标红外像平面分辨

空间邻近目标在红外像平面的成像相互交叠,形成簇状像斑,为实现对各目标的有效跟踪与识别,必须对其进行分辨。提出了基于可逆跳跃马尔可夫链蒙特卡罗(RJMCMC)的空间邻近目标红外像平面分辨方法。在对多点源目标的红外像平面成像建模基础上,建立了基于贝叶斯推理的空间邻近目标红外像平面分辨框架,以可逆跳跃马尔可夫链蒙特卡罗方法实现了待估参数后验分布的计算,联合检测和估计出目标个数、各目标像平面投影位置和辐射强度参数。以中段弹道空间邻近目标的天基红外监视为例进行了仿真分析,结果表明,该方法能有效地分辨空间邻近目标中的目标个数和各目标投影位置和辐射强度。

双指数跳跃扩散模型的McMC估计

使用贝叶斯方法估计了双指数跳跃扩散模型,该方法是使用Euler方法对连续过程进行离散化,用离散过程的似然函数做为模型参数的近似后验似然函数.证明了McMC方法是分析双指数跳跃扩散模型的有效工具,由McMC方法抽样所得的后验分布可以用来进行统计推断.模拟试验表明双指数跳跃扩散模型能够体现资产收益的许多经验特征,尖峰厚尾特征和期权定价中的“波动微笑”.

连续时间金融框架下证券市场跳跃模型研究

为了准确刻画证券的价格和波动过程中的跳跃特征,文章采用基于贝叶斯分析的马尔可夫链蒙特卡罗(MCMC)模拟方法,利用离散样本数据,分别分析了连续时间内,收益与波动过程存在相关无限活跃列维跳跃的随机波动模型以及仿射跳跃扩散模型(AJD)。首先,MCMC方法可以准确联合估计模型中扩散、随机波动以及列维跳跃各个成分的特征参数;其次,与仿射跳跃扩散模型相比,无限活跃列维跳跃的随机波动模型可以捕捉到在收益与波动过程中,那些由布朗运动和复合泊松过程所不能刻画的列维跳跃,从而更好地描述金融时间序列的动态特征。最后,通过对中国上证综合指数收益序列的实证研究,验证了上述结论。

基于RJMCMC方法的水下被动目标声源数和方位联合估计

针对传统的子空间类宽带信号处理方法需要较多的信号快拍数才能取得较好的估计效果这一问题,本文将一种基于时域宽带信号模型的贝叶斯高分辨估计方法用于水下被动目标的方位估计(DOA)。该方法使用宽带信号的时域模型,依据贝叶斯准则构建所需参数的后验概率密度函数,并采用可逆跳变马尔科夫链蒙特卡罗(RJMCMC)方法执行贝叶斯计算,对后验概率密度函数进行峰值搜索。由于其能够在不同维的参数空间中跳转,因此可以进行模型阶数(声源数)和目标方位的联合估计。与传统的子空间类方法相比,这一方法能直接在时域进行信号处理且仅需显著较少的信号快拍数。仿真结果表明,RJMCMC算法能较好地估计出声源数和目标方位。

一种无须预指定分割区域数的自适应多阈值图像分割方法

为解决多阈值图像分割中分割区域数较难确定的问题,提出一种基于可逆跳跃马尔可夫链蒙特卡罗(RJMCMC)的自适应多阈值图像分割方法.基于图像直方图的多阈值分割的本质是寻找直方图各峰间的谷底,但其个数较难确定且各局部峰并非都是高斯分布.因此文中用更具普适性的混合α稳定分布拟合直方图,建立包含局部峰个数及各分布元参数的分层贝叶斯概率模型.采用RJMCMC后验概率推理自适应确定混合α稳定分布的分布元个数及各自参数,从而获得分割区域数和多阈值参数.针对单晶炉拉晶图像、人脑核磁共振图像及国际标准测试图进行测试,结果表明该方法准确地建立图像分割模型,得到满意的多阈值分割结果.

可变类空间约束高斯混合模型遥感图像分割

针对传统高斯混合模型(GMM,Gaussian mixture model)难以自动获取类属数和对噪声敏感问题,提出了一种基于可变类空间约束GMM的遥感图像分割方法。首先在构建的GMM中,将像素类属性建模为马尔可夫随机场(MRF,Markov random field),并在此基础上定义其先验概率;结合邻域像素类属性的后验概率和先验概率,定义噪声平滑因子,以提高算法的抗噪性;在参数求解过程中,分别采用可逆跳变马尔可夫链蒙特卡罗(RJMCMC,reversible jump Markov chain Monte Carlo)方法和最大似然(ML,maximum likelihood)方法估计类属数和模型参数;最后以最小化噪声平滑因子为准则获取最终分割结果。为了验证提出的分割方法,分别对模拟图像和全色遥感图像进行了可变类分割实验。实验结果表明提出方法的可行性和有效性。

金融工程中资产收益的连续时间模型评述

总结了在过去30年中金融资产收益连续时间模型的发展及主要成果,讨论了迄今连续时间模型参数估计的主要方法,其中特别讨论了MCMC方法;最后指出了现在和未来该领域研究所面临的主要课题。

基于标值点过程改进的遥感道路提取新算法

研究了标值点过程的道路提取算法,针对传统数据模型提取道路不够准确的缺点,改进了数据模型。提出了基于边缘检测的生灭转移核,避免了传统的生灭过程搜索的盲目性,大大加快了算法的收敛速度。针对传统转移核容易破坏线段的连接性的缺点,定义了多种新型的RJMCMC转移核,重新设计了基于邻域的生灭转移核及线段参数转移核。仿真结果表明,改进算法大大提高了收敛速度,并且提取的道路网络更准确,更连续。

采用非规则标识点过程的LiDAR点云数据目标提取

针对LiDAR点云数据目标投影几何的非规则性,提出非规则标识点过程的LiDAR点云数据目标提取方法。首先,在投影平面上定义随机点过程,利用其随机点定位该平面上的目标投影,对每一随机点生成一组节点集以建模该目标投影几何,作为目标标识;假设地物目标高程值服从独立同一高斯分布,从而得到LiDAR点云数据高程测度模型;在贝叶斯理论架构下建立目标几何提取模型,并结合可逆跳变马尔可夫链蒙特卡罗(Reversible Jump Markov Chain Monte Carlo,RJMCMC)算法模拟后验分布以及估计各参数;最后根据最大后验概率准则,求解最优目标提取模型。采用提出方法对LiDAR点云数据进行目标提取,根据实验结果可以看出,算法得到的检测精度均达到80%以上,最高精度为99.43%,得到了较好的检测结果。本文将传统的规则标识点过程拓展到非规则标识点过程,可以有效拟合任意形状目标几何。定性和定量的实验结果表明了该方法的可行性、有效性和准确性。

基于RJ-MCMC的DS-CDMA信号扩频码与信息序列盲估计

针对非合作低信噪比环境下的DS-CDMA信号参数估计问题,在分析信号模型的基础上,提出一种基于可逆跳跃的马尔科夫链蒙特卡罗(RJ-MCMC)扩频序列和信息序列联合估计算法。该算法通过建立信号参数和用户个数的联合后验分布模型,迭代抽样得到待估分布的样本,并有效地在不同维数的子空间中跳转,从而构造一条马尔科夫链,使其平稳分布为待估参数的后验分布。仿真结果表明,该算法在功率相同和不同的条件下均能适应较低的信噪比,并且对不同的用户个数具有较强的适应性,同时算法的估计性能相对现有的方法也有很大的改善。

基于标值点过程的遥感影像道路网络提取

针对高分辨率遥感影像道路网络的特点,采用基于贝叶斯理论的全自动方法从遥感影像中提取道路。根据道路的局部和全局特征,使用标值点过程对道路建模,采用结合可逆跳跃马尔可夫链蒙特卡罗算法的模拟退火算法优化求得全局最优解。提出新的预处理方法得到道路的位置和方向信息,提出基于预处理的生灭转移核以降低算法的搜索空间,提出基于连接的移动转移核以加快算法的收敛速度。实验结果表明,该方法可以快速、有效地从不同的遥感影像(光学、SAR)提取道路网络。

资产价格的抛物线跳跃扩散模型

以Bibby与Sφrensen(1997)抛物线扩散模型为基础,用一个线性趋势和跳跃加上一个扩散过程为资产价格对数建模,该扩散过程是一个漂移项为0、扩散系数依赖与瞬时的资产价格,该模型称之为抛物线跳跃扩散模型.通过模型成功的拟合了几个不同价格指数数据集合,表明抛物线扩散跳跃模型能够很好的体现资产收益分布的检验特征.开发了基于Milstein的McMC算法,成功的估计了模型的参数及隐含变量,并验证了所开发算法的有效性.

非对称双指数跳跃扩散模型的MCMC估计

非对称双指数跳跃扩散模型是由Kou提出的一种简单的跳跃扩散模型,但Kou在提出该模型的时候并没有对模型的参数进行估计,基于此,本文以马尔可夫蒙特卡罗(MCMC)方法为工具对模型进行了估计,验证了MCMC方法对于处理非对称双指数跳跃扩散模型这类含有隐含变量的多参数模型估计的有效性,同时模拟试验表明非对称双指数跳跃扩散模型能够体现资产收益分布的尖峰厚尾以及有偏等特征。

基于贝叶斯模型的长码DS-CDMA信号扩频码与信息序列联合估计

针对长码直接序列扩频码分多址(DS-CDMA)信号的盲解扩,在信号模型分析的基础上,提出了一种基于可逆跳跃的马尔可夫链蒙特卡罗(RJ-MCMC)扩频码和信息序列联合估计算法。该算法分别对建立的联合后验分布模型进行迭代抽样,并有效地在不同维数的子空间中跳转,从而构造一条马尔可夫链,使其平稳分布为待估参数的后验分布,最终拼接得到每个用户的完整扩频序列和信息序列估计。仿真结果表明:该方法在迭代二十几步时达到收敛;并且在功率相同和不同条件下,当信噪比(SNR)大于-9dB时,估计序列与真实序列的相似度均超过0.95,信息序列的误码率低于0.01;同时算法对不同用户个数和不同调制样式具有较强的适应性,与Fast-ICA算法相比,估计性能平均提高了约3dB。

空间约束标识点过程的机载激光雷达景观树提取

针对目前关于城区景观树提取存在的提取精度低、数据代表性不足、算法复杂等问题,提出了一种空间约束标识点过程的机载激光雷达(LiDAR)景观树提取方法。所提方法从点云数据中分离非地面点,且通过树冠点云密度约束标识点过程模型。首先,采用三角网迭代加密滤波算法将LiDAR点云数据中的地面点与非地面点分离;然后,针对非地面点数据定义景观树空间分布标识点过程模型,以圆形刻画景观树在地面投影区域的几何形状,定义树冠投影区几何模型,并结合景观树和非树区域数据点的高程分布特点构建高程分布模型;在此基础上,根据树冠点云的空间密度特征,构建高程约束模型;在贝叶斯理论架构下综合上述模型建立景观树提取模型,并结合可逆跳变马尔可夫链蒙特卡罗算法模拟该提取模型;最后,根据最大后验概率准则,获取最优景观树提取结果。实验结果表明,所提方法提取的景观树整体精度较高,总体的提取率和正确率均达到了90%以上,对识别难度较大的复杂场景景观树提取结果亦能达到较高精度。