一种新的基于序列蒙特卡罗方法的符号检测器

在衰落信道下检测传输符号是序列蒙特卡罗方法在通信领域中的一个重要应用。由于在序列蒙特卡罗方法中重要函数的选择直接会影响系统性能,针对这一问题,提出了一种新的混合重要函数,较大幅度提高了衰落信道下传输符号的检测水平,仿真结果也证实了这种新检测器的有效性。

基于RBF神经网络的非线性时间序列在线预测

针对非线性非高斯时间序列,提出观测噪声服从隐马尔可夫模型(HMM)的径向基函数(RBF)神经网络(RBF-HMM)预测模型,其特点在于模型输入包含误差反馈项、RBF网络隐含层节点数的可变性和观测噪声的隐马尔可夫性;并采用序列蒙特卡罗(SMC)方法实现基于RBF-HMM模型的时间序列在线预测.最后采用太阳黑子数平滑月均值数据和CRU国际钢材价格指数月数据进行实证研究,结果表明该模型的有效性.

基于RBF-HMM模型的时间序列在线预测

针对非线性非高斯时间序列,提出观测噪声服从隐马尔可夫模型(HMM)的径向基函数(RBF)神经网络预测模型—RBF-HMM模型,该模型具有如下两个特点:(1)用隐节点数可变的RBF神经网络对时间序列进行非线性建模;(2)用HMM对非高斯噪声进行建模.并采用序列蒙特卡罗(SMC)方法实现RBF-HMM模型参数的动态调整和时间序列的在线预测.最后采用南京禄口国际机场日旅客吞吐量数据进行实证研究,结果表明该模型的有效性.

引入形状统计先验的轮廓提取的概率方法

提出了轮廓提取的概率方法,同时将物体形状的统计先验信息和轮廓线的平滑性结合到轮廓的概率估计中首先应用主元分析对低维空间概率采样生成高维形状统计分布的样本,根据形状样本得到轮廓控制点样本,而后结合描述平滑性的先验概率,运用序列蒙特卡罗方法实现轮廓估计对实际拍摄的人手图像的实验表明,针对特定的形状,该方法在杂乱背景。

一种非线性非高斯随机系统的故障诊断方法

针对非线性非高斯随机系统在线故障诊断的问题,运用粒子滤波器提出了一种基于方差自适应粒子滤波器的非线性非高斯随机系统的故障诊断方法,可以用来解决系统的参数偏差型故障诊断问题。通过对连续搅拌釜式反应器(CSTR)的仿真研究,可以看出,该算法实现简单,易于对系统进行在线估计,对于发生缓变和突变的参数偏差型故障的检测与估计均较为有效。

基于个体传染病模型研究个体行为改变对甲型H1N1的影响

个体行为在突发性传染病传播过程中起着重要作用,通过行为改变来减缓和控制突发性传染病传播的能力是应对策略的一个重要方面,因此了解个体行为改变如何影响突发性传染病的传播至关重要。基于2009年甲型H1N1流感(A/H1N1)数据,建立基于社交网络的个体决策心理模型(LHBM),将个体行为改变率嵌入个体水平的传播动力学模型(IBMs),并研究个体行为改变如何影响A/H1N1的动态变化。然后,基于IBMs,应用基于序列蒙特卡罗的近似贝叶斯计算方法(ABC SMC)估计未知参数。结果表明:IBMs能更准确地描述A/H1N1的传播过程,揭示个体行为改变对A/H1N1暴发的影响。此外,媒体宣传的重点应集中在如何引导个体的行为改变,而且个体的积极响应对于缓解和控制突发性传染病至关重要。

基于贝叶斯理论的单音音乐节奏提取

音频音乐信号的特征分析具有广泛的应用前景,如音乐检索、乐器识别等。本文先引入贝叶斯节奏模型,然后用基于贝叶斯理论的序列蒙特卡罗方法,推断音乐片段的小节和节拍的位置。对不同乐器演奏的、不同音乐速度的、不同节奏模式的音乐,本方法均能有效地提取节奏特征。

基于结构可变的RBF神经网络的时间序列预测

基于神经网络的时间序列预测方法,需要正确确定网络结构,它关系到所建模型的合理性以及预测的准确性。目前确定网络结构的绝大多数方法,其网络结构一经训练确定便保持不变。然而现实中许多时间序列呈现非平稳性,其结构经常发生变化,这就要求网络结构能够动态可调,因此本文提出结构可变的径向基函数(RBF)神经网络预测模型。并采用序列蒙特卡罗(SMC)方法实现基于结构可变RBF网络的时间序列在线预测;最后采用CRU钢铁价格指数月数据进行实证研究,结果表明该模型的有效性。

基于概率假设密度滤波平滑器的检测前跟踪算法

基于概率假设密度滤波(PHD)的检测前跟踪(TBD)技术可以有效解决未知弱小多目标检测问题。PHD-TBD算法粒子权重计算受量测噪声影响明显,导致目标数估计存在起伏现象,制约了PHD-TBD算法性能。对PHD-TBD技术进行研究,引进概率假设密度滤波平滑器,提出基于平滑的PHD-TBD算法。该算法对当前帧目标数估计时,综合利用前向递推和后向平滑结果对粒子权重进行更新,在一定程度上克服了随机量测噪声的影响。通过仿真验证,该算法能够有效发现目标,准确估计目标数目和位置,性能有较大提高。