耦合敏感性分析与两阶段马尔科夫链蒙特卡洛算法的地下水污染溯源辨识

为高精度地开展地下水污染溯源辨识,在对污染源参数进行敏感性分析的基础上,研究应用两阶段马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)算法辨识确定污染源参数;同时,探索应用多层感知机(Multi-layer Perceptron,MLP)方法构建地下水污染运移数值模型的代理模型,用以提高地下水污染溯源辨识的效率。为验证上述方法的有效性和可行性,开展了两个数值算例研究。结果表明:采用MLP方法构建的代理模型对地下水污染运移数值模型的逼近精度高,不仅能够有效提升地下水污染溯源辨识效率,还能保持良好的计算精度;所提出的耦合敏感性分析与两阶段MCMC算法能够显著提升低敏感性污染源参数的辨识精度。

无线传感器网络中蒙特卡洛定位算法的研究

在无线传感器网络的节点定位领域,常用的以蒙特卡洛为基础的定位算法均存在定位误差大、采样效率低的问题。为了提高无线传感器网络中针对移动节点的采样效率和定位精确度,文中采用马尔科夫链进行抽样,提出了一种基于蒙特卡洛的改进算法。该算法在蒙特卡洛算法的基础上,结合马尔科夫链采集节点样本,随后对其进行过滤,再通过对得到的节点位置值进行加权计算,得到节点的准确位置。仿真实验结果表明,通过该算法得到的节点定位误差低于其他算法,提高了采样效率以及对移动节点的定位准确率。

基于拉丁超立方抽样的改进型多链DRAM算法求解地下水污染反问题

针对运用贝叶斯统计方法求解地下水污染反问题时,经典MCMC算法(Metropolis算法)求解结果受样本初始点影响且计算效率低的问题,提出了一种基于拉丁超立方抽样方法的改进型多链延迟拒绝自适应Metropolis算法(DRAM)。将贝叶斯统计方法与二维水质对流-扩散方程相耦合,建立地下水污染源识别模型。构建一个污染物在地下水含水层中瞬时排放的算例,分别运用Metropolis算法、多链Metropolis算法以及改进型多链DRAM算法对污染源信息(污染源强度、排放位置(x,y)和排放时长)进行反求。算例研究表明,Metropolis算法受样本初始点影响,容易出现反演结果局部最优或者反演结果难以收敛的问题;多链Metropolis算法虽然显著提高了反演结果的准确性,但是反演效率相对低下;改进型多链DRAM在保证反演准确性的条件下,可显著提高反演效率(相对于多链Metropolis算法提高68%),实现反演结果准确性与效率的双提高。

基于SMC-PHDF的部分可分辨的群目标跟踪算法

提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter,SMC-PHDF)的部分可分辨的群目标跟踪算法.该算法可直接获得群而非个体的个数和状态估计.这里群的状态包括群的质心状态和形状.为了估计群的个数和状态,该算法利用高斯混合模型(Gaussian mixture models,GMM)拟合SMC-PHDF中经重采样后的粒子分布,这里混合模型的元素个数和参数分别对应于群的个数和状态.期望最大化(Expectation maximum,EM)算法和马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)算法分别被用于估计混合模型的参数.混合模型的元素个数可通过删除、合并及分裂算法得到.100次蒙特卡洛(Monte Carlo,MC)仿真实验表明该算法可有效跟踪部分可分辨的群目标.相比EM算法,MCMC算法能够更好地提取群的个数和状态,但它的计算量要大于EM算法.

基于马蒙算法的反演及其在储集层预测中的应用

论述了基于马尔科夫链-蒙特卡洛算法反演的主要原理,重点阐述了该方法的3个关键环节,即测井资料均一化处理、地震子波提取及合成地震记录和构造建模约束马蒙算法反演。应用结果表明,该方法能够提高砂泥岩薄互层条件下砂体识别的准确程度,更丰富地显示断层两侧砂体发育的细节。同时该方法也有助于准确定位河道砂边界和明确主力砂体之间的接触关系,从而为后期剩余油挖潜和井网结构调整提供依据。

基于扩展的跳跃SV模型的全国社保基金波动研究

对传统的跳跃SV模型进行扩展,提出了波动率方程中带有协变量的跳跃SV模型,给出了模型参数估计的MCMC算法,并将扩展的跳跃SV模型用于研究全国社保基金的波动特征。研究发现,相对于SV-N、SV-T、SV-M、杠杆SV-N和传统的跳跃SV-N等模型,扩展的跳跃SV模型建模效果最好;社保基金收益率具有明显的跳跃特征,并且跳跃的概率较高;基金重仓的对数ARCH项每增加1个百分点,社保重仓的对数波动率将增加0.5188个百分点。

基于混合高斯模型的配电网负荷伪量测权重优化算法

提出一种基于高斯混合模型(Gaussian mixture model,GMM)的配电网负荷量测权重优化算法,包括对GMM参数的优化和权重确定。首先采用引力搜索算法(gravitational search algorithm,GSA)对数据的最佳聚类个数进行判断,利用K-means算法获取数据的初始聚类中心、方差和混合权重;然后通过组合马尔科夫链蒙特卡洛期望最大化(Markov chain Monte Carlo-expectation maximum,MCMC-EM)算法对GMM的参数进行估计;最后根据优化的GMM,提出负荷伪量测权重优化方法,确定负荷伪量测的权重。以改进IEEE-12节点系统对所提方法进行验证,结果表明其合理、有效。

基于贝叶斯理论及MCMC-MH算法推演地基土材料阻尼比的概率分布模型

浅层土壤的材料阻尼比参数分布可以通过多通道表面波(MASW)分析法提取的表面波衰减曲线来反演识别,但是衰减曲线对于较大深度和小空间尺度土壤性质的变化不敏感,反演的土壤材料阻尼比分布是非唯一的和不确定的。基于该研究建立了土体材料阻尼比随深度变化的先验概率分布模型,利用Nataf变换和Karhunen-Loeve将其分解为标准高斯变量与特征值及特征向量的乘积和;随后依据贝叶斯理论,以TLM-PML模型结合频率波数域-半功率带宽法对衰减曲线进行正演,并与试验数据联合构建似然函数,使用蒙特卡洛马尔科夫链(MCMC)-Metropolis(MH)算法得到土体材料阻尼比的后验概率分布模型;对马尔科夫链的收敛性和独立性进行检验获得了多组相互独立的后验样本数据;用独立的后验样本计算出自由场振动响应,利用核密度估计得到具有一定置信度的置信区间,并与试验数据进行比较,验证了该研究提出的土体阻尼比非确定性概率模型的合理性和可靠性。

MIMO系统中低复杂度的MCMC迭代检测算法

针对多输入多输出(MIMO)系统中现行的马尔科夫链蒙特卡洛(MCMC)检测算法复杂度较高的问题,提出了一种SIC-MMSE算法辅助的MCMC检测算法,信号的预估计值和软信息均作为软输入软输出(SISO)检测器的输入,提高了吉布斯采样值的可信度,进而减少采样点数。仿真结果表明,同样的信噪比情况下,达到相同误码率时,与传统MCMC算法相比,改进MCMC算法的复杂度明显降低。

MIMO系统中MCMC检测算法的研究与改进

介绍了MIMO接收机模型,在分析LSD检测算法和MCMC检测算法基础上,提出了一种改进的MCMC检测算法.该算法通过在接收机中添加预判决模块,融合SIC-MMSE算法,有效利用信道译码器产生的软信息,辅助MIMO检测器中的吉布斯采样,减少了采样点数,降低了传统算法的复杂度.仿真结果显示,改进的MCMC算法性能上优于LSD算法,在相同的信噪比情况下降低了误码率,有一定的理论和实用意义.

基于改进粒子滤波算法的锂离子电池状态跟踪与剩余使用寿命预测方法

针对标准粒子滤波算法在锂离子电池剩余使用寿命预测方面出现的估计精度不高、算法不稳定及计算效率低等问题,该文提出一种改进粒子滤波算法的状态跟踪与剩余使用寿命预测估计方法。选取电池容量衰退经验物理模型为基础,通过贝叶斯理论对历史样本进行状态跟踪建模,优化训练算法辨识物理模型参数与重采样策略。采用状态跟踪训练优化后最新量测信息取代序贯重要性采样过程中未考虑观测噪声的量测信息,指导产生新的提议分布更新粒子重要性权值计算的方法来改善粒子退化现象,同时基于马尔科夫链-蒙特卡洛(MCMC)方法中的M-H(Metropolis-Hastings)抽样算法丰富采样粒子多样性,改良重采样策略来解决由其引起的粒子枯竭问题,并通过仿真揭示出不同跟踪集S和粒子数M等模型参数对预测结果的影响规律,继而构建实时更新提议分布、MCMC方法与粒子滤波算法优化融合的状态跟踪与剩余使用寿命预测模型——基于MCMC的更新改进粒子滤波融合算法模型。仿真实验结果表明,该文提出的改进算法具有状态跟踪拟合度好、预测精度高及计算效率性能优良等特点,并通过设计出不同类型电池容量和算法模型等多种组合方案的仿真,验证了改进算法较强的稳定鲁棒性、泛化适应性和通用有效性。

基于运动补偿和MCMC算法的视频目标跟踪

针对视频目标跟踪领域摄像头运动等问题,提出一种基于二次观测模型的马尔科夫链蒙特卡洛(MCMC)粒子滤波算法。第1次观测通过计算相邻2帧的光流场对运动模型实时修正使其逼近真实的运动方程,第2次观测MCMC粒子滤波步骤。二次观测模型利用图像中的光流信息进行运动补偿实现跟踪。时变的运动模型可以有效提高MCMC方法的效率,减少无效的粒子点数,使其能更快速地收敛到真实值。实验表明对MCMC进行运动补偿可以有效处理摄像头运动问题。

基于滑动窗口均值先验的非同构动态贝叶斯网络转换点检测算法

为了放宽动态贝叶斯网络中的同构假设,提出非同构贝叶斯网络.基于此种情况,文中提出结合先验知识的可逆跳转的马尔可夫链蒙特卡洛算法(APK-RJ-MCMC).算法基本假设为如果一个时间点左右窗口中数据均值间的欧氏距离越大,则这个时间点作为转换点的可能性越高.基于上述假设,可得到关于每个时间点作为转换点可能性的粗略估计,将其作为先验知识调控可逆跳转的马尔可夫蒙特卡洛采样技术(RJ-MCMC)采样转换点时的生成、消除、转换动作的提议概率之比,进而调节状态跳转时的接受概率.在人工数据集和基因数据集上的实验表明,相比其它算法,APK-RJ-MCMC在转换点检测上具有更高的检测后验概率.

基于变分自编码器的混合推荐算法

较多传统推荐算法因未考虑曝光因素而难以解决冷启动问题。为此,通过引入曝光隐变量,提出一种基于变分自编码器的混合推荐算法。在协同过滤背景下使用马尔科夫链蒙特卡洛采样推断曝光隐变量和特征向量,在推断过程中将前一次迭代得到的分布结果作为先验,利用共轭关系直接得到参数后验,以提高推断精度。在此基础上,通过变分自编码器VAEe抽取用户曝光向量的隐特征,据此对该用户做曝光预测,同时训练变分自编码器VAEi抽取商品的协同隐特征,解决新商品的冷启动问题。在真实数据集上的实验结果表明,该算法能够同时提高旧商品和新商品的推荐性能。

含风电的发输电系统经济风险评估

为了评估大规模风电并网后的发输电系统经济风险,提出了ECM算法和切片采样算法结合拉丁超立方采样算法的组合采样算法,以及基于组合采样算法的马尔科夫链蒙特卡洛(MCMC)模拟法。首先,采用加权高斯混合分布建立风电场出力概率模型,并采用ECM算法进行参数估计;其次,通过切片采样算法对风电场模型进行采样得到初始样本空间,再采用拉丁超立方采样算法对初始样本进行处理获得最终样本空间;再次,建立了风电并网的发输电系统经济风险评估模型并给出经济风险指标;最后,以IEEE-RTS79系统为标准算例,仿真验证了本文所提算法的有效性和准确性,并以MCMC方法对风电并网的发输电系统进行经济风险评估。仿真结果表明:ECM算法所确定的加权高斯混合分布能够准确拟合风电场出力波动的概率分布特性,组合采样算法在满足精度要求的条件下降低了样本规模,提高了算法的计算效率。风险评估结果表明适当的风电并网容量和合理的风电并网位置会降低发输电系统的经济风险。

基于RJMCMC的泊松分布参数多变点检测

首先建立泊松分布参数多变点模型,给出该分布参数多变点的似然函数,探究变点位置参数和分布参数的满条件后验分布。利用可逆跳跃马尔科夫链蒙特卡洛(RJMCMC)算法确定该模型中变点的个数,在变点个数确定的基础上,进一步利用马尔科夫链蒙特卡洛(MCMC)方法中的Gibbs抽样和Metropolis-Hastings算法对参数满条件后验分布进行抽样,利用抽样均值和最大后验法对变点位置参数和分布参数进行估计。仿真结果和美国矿难实例均表明,结合RJMCMC算法和普通MCMC方法对泊松分布序列的变点检测很有效。

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。

基于局部采样MCMC方法的时移探地雷达反演

马尔科夫链蒙特卡洛方法(MCMC)是一种启发式的全局寻优算法,可以用来解决概率反演的问题.基于MCMC方法的反演不依赖于准确的初始模型,可以引入任意复杂的先验信息,通过对先验概率密度函数的采样来获得大量的后验概率分布样本,在寻找最优解的过程中可以跳出局部最优得到全局最优解.MCMC方法由于计算量巨大,应用难度较高,在地球物理反演中的应用尚处于起步阶段.作者将MCMC方法应用到时移探地雷达(GPR)反演中,并结合双差法对时移的目标区域进行准确反演.在双差法时移反演的过程中,作者对目标区域使用拓展的Metropolis算法进行局部采样,减小了计算量的同时,进一步提高了目标区域的反演精度.最后对合成的数据进行了反演测试,对目标区域的反演误差进行了分析,说明了基于局部采样的MCMC反演方法的有效性,目标区域反演结果特征明显,反演效果好.

基于本地图像块模型的人造目标提取方法

本文提出了本地图像块模型,该模型使用概率隐含语义分析pLSA(probabilistic Latent Semantic Analysis)作为数据项的点过程对人造目标进行建模,用可逆马尔科夫链蒙特卡洛算法(RJMCMC)配合模拟退火算法提取模型的参数。在提取模型参数的过程中使用了数据驱动生灭和统计扩散方法加快算法收敛速度。最后通过对实际遥感图像的实验验证了该方法的有效性。

样本缺失情况下的雷达目标自适应检测

雷达信号自适应检测问题中,参考数据中部分样本丢失会导致常规检测器性能显著下降。在无先验信息条件下,采用期望最大算法获得杂波协方差矩阵的最大似然估计,得到基于期望最大算法的自适应匹配滤波器。利用探测环境的先验信息,在贝叶斯框架下,采用Gibbs抽样获得杂波协方差矩阵的后验均值估计,得到基于马尔科夫链蒙特卡洛自适应匹配滤波器。计算机仿真分析表明,这2种检测器可以在样本缺失情况下具有较好的检测性能。当杂波协方差矩阵先验信息较少时,EM-AMF与MCMC-AMF检测性能相当;当有先验信息可供利用时,MCMC-AMF的检测性能可以得到进一步提升。