双边定时截尾下Pareto分布的参数的极大似然估计的EM算法

给出了当寿命分布为Pareto分布时,双边定时截尾寿命试验下形状参数的极大似然估计。由于似然方程形式较复杂,无法得到参数的显式表达式。但可证明此极大似然估计是唯一存在的,并利用EM算法求出了此参数的一种估计。

基于改进帝王蝶算法的最大似然DOA估计

针对传统最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计存在计算量大、估计精度差等问题,本文提出一种采用改进帝王蝶优化算法(improved monarch butterfly optimization algorithm,IMBO)的ML-DOA估计方法。IMBO算法通过精英反向学习策略对初始帝王蝶种群进行优化,得到适应度值较优的初始帝王蝶个体,进而能够改善帝王蝶种群的多样性;引入差分进化算法启发的变异操作以及自适应策略对帝王蝶个体的寻优方式进行改进,扩大了算法的搜索空间;引入了高斯-柯西变异算子,自适应调整变异步长,避免算法陷入局部最优。将IMBO应用于ML-DOA,实验表明,与传统的DOA估计算法相比,在不同信源数目、信噪比以及种群数量下,本文提出的算法收敛性能更好,均方根误差更低,运算量更小。

极大似然估计与遗忘曲线的隐式反馈交互推荐算法

针对传统推荐算法对启动数据要求严苛且服务器性能要求过高导致实际项目中较难应用的问题,提出一种挂载在ECS服务器(elastic compute service,ECS)上的基于极大似然估计原理(maximum likelihood estimate,MLE)和双重艾宾浩斯遗忘算法(double ebbinghaus forgetting algorithm,DEFA)相结合的推荐算法(EMDE)。首先,通过极大似然估计原理和双重艾宾浩斯遗忘算法结合,实现了对用户偏好数据的正态拟合,并且可以灵活地调整用户偏好的遗忘速度和保留程度。其次,充分考虑了对修改关闭原则,可以与现有业务模块高度解耦,并且具有轻量级的特性。实验结果表明,EMDE算法可以成功避免推荐快速消耗用户兴趣和触及用户反感的交互,并选择合适的交互以达到增强用户黏性的目的。

改进蚁群优化算法的最大似然DOA估计方法

针对将连续域蚁群优化算法应用于最大似然(maximum likelihood,ML)估计中存在计算量过大的问题,提出一种基于改进蚁群优化(modified ant colony optimization,MACO)算法的最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计方法.采用精英反向学习策略获得较优初始解群体,结合全局跨邻域搜索和高斯核函数局部搜索对蚁群的寻优方式进行优化,扩大了算法的搜索空间并加快了收敛速度,最终得到ML估计方法的非线性全局最优解.仿真结果表明,与基于粒子群优化(particle swarm optimization,PSO)算法、蚁群优化(ant colony optimization,ACO)算法的ML估计方法相比,ML-MACO算法的收敛速度是ML-ACO算法的4倍,计算量是ML-ACO算法的1/3,分辨成功率高于ML-PSO算法和ML-ACO算法,估计误差小于ML-PSO算法和ML-ACO算法.ML-MACO算法以更低的计算量保持了ML算法的优良估计性能,收敛性能更优且估计精度更高.

一种多元均值混合正态分布参数的极大似然估计

以Madadi等提出的数学模型与概率密度函数为基础,证明了多元均值混合正态分布的性质,讨论了MMNE分布参数的极大似然估计问题,利用ECM算法对MMNE分布的位置参数、尺度参数、偏度参数进行了参数估计计算,给出了计算方法和迭代公式。实例分析表明,所提出的偏态数据下MMNE分布参数估计模型合理且实用。

多元混合正态分布参数的极大似然估计

从层次结构的角度出发推导总结了Reinaldo B.Arellano-Vall所提出的广义多元混合正态分布公式中混合变量的相关统计性质,结合所推导的混合变量性质,运用EM算法和协方差矩阵参数化分解方法,解决多元混合正态分布在无序约束和简单树半序约束下参数的极大似然估计问题。借助MATLAB软件编程进行数据仿真模拟,并给出其协方差矩阵在简单树半序约束下的极大似然估计结果。

基于金枪鱼算法的最大似然信号方位与频率联合估计

针对多维非线性搜索在传统最大似然估计(ML)上的波达方向(DOA)估计存在计算量大、传统网格搜索速度慢等不足,提出了一种基于金枪鱼算法的窄带信号频率方位联合估计的最大似然DOA估计,该算法体现了良好的估计性能。仿真结果表明,该算法对单声源有精确的角度和频率估计值;在声源个数不同的情况下,与基于松鼠搜索算法、正余弦算法、原子搜索优化算法、人工蜂群算法等的估计相比,该算法有着更快的收敛速度和更低的均方根相对误差。

基于遗传算法的最大似然参数优化估计

用最大似然法进行参数优化估计时,为了避免常规优化算法由于受迭代初值的影响不易收敛到全局最优解的缺点,文中采用遗传算法,不再需要估计优化变量的初始值即可获得全局近似最优解。建立以似然函数为目标,求其极大值点即可确定参数最优解的优化模型。为了更好地确保遗传算法获得全局最优解,在传统遗传算法的基础上采用尺度变换适应度函数、并行操作、保留最优个体等方法,进一步保证方程解的精度。最后以威布尔分布为例进行参数估计,结果表明,改进的遗传算法可以在求解效率和收敛性能上达到较好的平衡,能更好地将优化方法与最大似然估计法相结合。

基于最大似然估计的海面风场反演算法研究

最大似然估计法被认为是海面风场反演的最佳方法,目前被用来处理SeaWinds散射计数据。风矢量求解算法是风场反演算法的核心内容。最大似然法的目标函数形式决定了在风场反演过程中必须采用数值方法求解风矢量,而传统数值求解方法运算量大。该文对最大似然估计的风场反演方法的基本原理和具体过程进行探讨,根据其目标函数的一般分布特征,提出一种较为高效的数值风矢量搜索算法。用SeaWinds散射计的L2A实测数据和相应的L2B数据验证了该算法的可行性。

基于EM算法的极大似然参数估计探讨

首先介绍了EM算法 ,然后研究了基于EM算法的混合密度极大似然参数估计 ,最后利用计算机仿真验证了此算法的收敛性和有效性 .

航天湍流退化图像的极大似然估计规整化复原算法

为了从有噪的湍流退化图像中有效地恢复出目标图像,提出了一种基于极大似然估计准则的规整化复原算法.根据图像随机场模型建立了有关多帧图像数据的对数似然函数,同时为了平滑噪声和保护图像边缘以及避免无价值的解,将一些合理的惩罚项和辅助平滑项融合到该对数似然函数中.推导出了湍流点扩展函数和目标图像的交替迭代求解公式,通过迭代方式可将点扩展函数和目标图像同时估计出来,给出了算法的并行处理方案.在微机上对强噪声条件下的湍流退化图像进行了恢复实验,实验结果表明本算法具有较强的抗噪能力和实用价值.

使用最速下降算法提高极大似然估计算法的节点定位精度

阐述了极大似然估计算法用于无线传感器网络节点自定位的原理;阐述了最速下降算法求非线性方程组最优解的原理;提出在距离测量误差较大的情况下,使用最速下降算法优化极大似然估计算法所得的节点定位值,并通过模拟实验证实其可行性。实验结果表明,在无须多余通信代价的条件下,优化处理使定位精度得到很大提高,且算法收敛快,计算代价小,适用于无线传感器网络的节点自定位。

加权最大似然波达方向估计算法及其应用研究

针对阵列信号处理中空间相干性低、频域有色且通道间具有相同功率谱的噪声模型,分别基于确定性信号模型与随机性信号模型,提出一种加权最大似然(Weighted Maximum Likelihood,WML)波达方向估计算法。数据仿真实验表明,该算法提高了由空间非相干且一致有色噪声引起的低信噪比条件下的波达方向估计精度。户外实验验证了该算法在风噪声条件下的有效性。

相干信源波达方向估计的广义最大似然算法

论文基于广义导向矢量和广义阵列流形矩阵,建立了多相干源(组)情况下的阵列数据模型,然后提出了波达方向估计的广义最大似然算法。对于广义最大似然算法,入射信源可以是多相干源(组),阵列的几何结构也没有任何约束,而且它分辨的信源数还可以大于阵元数。随后,论文将广义最大似然算法与常规最大似然算法进行了理论比较,并给出了广义最大似然竹法方位估计一致性的证明和方位估计方差的计算公式。理论分析表明,在空间只存在非相干信源时,广义最大似然算法与常规的最大似然算法是等价的,而在空间存在多相干源(组)时,它的性能较常规最大似然算法有较大的改进,方位估计的方差更小。最后论文利用遗传算法实现了广义最大似然算法,并通过Monte—Carlo仿真实验证明了广义最大似然算法的有效性。

基于传播损耗模型的最大似然估计室内定位算法

基于对数正态分布的室内传播损耗模型,本文利用最大似然估计算法,通过迭代估计得到用户与各个接收机之间的距离和相应的传播损耗模型中的遮蔽因子,并由此估计得到室内用户的位置。仿真结果表明,本算法收敛速度快,并有较高估计精度。

基于最大后验估计的编码孔图像重建算法

图像重建算法对编码孔伽马相机的成像性能有重要的影响,然而广泛使用的最大似然期望最大化(MLEM)算法无法在较强干扰背景下有效抑制图像中的噪声,当超过一定迭代次数后,图像信噪比会逐渐降低。针对MLEM算法的这一“病态性”问题开展了研究。首先将最大后验估计(MAP)算法应用于编码孔图像重建,接着分析了算法中Gibbs先验函数的邻域大小和权值系数等关键参数的选取方法。然后使用编码孔相机开展了成像实验,对比了MLEM算法与MAP算法对22Na点源的图像重建结果。结果表明,在300~1 200次迭代下,MLEM重建图像中出现了明显的噪点,且随着迭代深入图像质量逐渐变差;而MAP重建图像没有出现明显噪点,重建图像的平均梯度相较于MLEM降低了26.45%~49.16%,对比度噪声比(CNR)提升了42.32%~351.07%。另外,对比了3×3和5×5邻域大小时的多点源图像重建结果,结果显示,邻域过小会导致重建图像的热点亮度降低,与理论分析结果一致。最后,分别对比了MLEM与MAP算法在较远距离和较强干扰两种场景下的成像结果,MAP算法均表现出更好的信噪比性能。

纯方位目标运动状态的极大似然估计及迭代算法

针对非线性最小二乘法在国内目标运动分析中应用较少的现状,首先在二维平面内推导出关于纯方位目标运动状态的极大似然估计的计算公式并给出了基于高斯-牛顿迭代算法的计算过程及步骤,随后分析了极大似然估计的性能和迭代算法的收敛性。仿真计算的结果表明:当迭代初值与目标真实状态充分接近时,用所推导出的计算公式能够快速稳定地得到关于目标运动状态的极大似然估计,迭代算法形式简洁,计算量小。该研究成果可应用于舰艇作战系统目标被动跟踪定位软件。

基于实数遗传算法的波达方向最大似然估计算法

对空间多个窄带信号源的高分辨波达方向估计是雷达、声纳和地震等信号处理中的重要问题之一。为克服一些获取波达方向估计最大似然解算法存在的局部极值问题 ,提高估计精度 ,本文以作者提出的实数遗传算法为搜索工具 ,寻求波达方向最大似然估计的非线性全局最优解。所提出的实数遗传算法由含实数域结构和目标函数信息的实数交叉和变异算子构成 ,是较理想的获取非线性实变量函数全局最优解的方法。对非相参和全相参信源波达方向估计问题的数字仿真结果表明 ,本方法的估计精度明显优于交替极值等一些常规方法。

基于EM算法的极大似然分布式量化估计融合新方法

该文针对水下目标探测中的多传感器分布式量化估计融合问题,建立了分布式量化估计融合模型,在考虑信道噪声且其统计特性不完全已知条件下,充分利用EM算法在观测数据缺失时参数估计的优越性,提出了一种基于期望极大化(EM)算法的极大似然分布式量化估计融合新方法。该方法将未知的水声信道噪声参数以及局部量化器量化概率建模为EM算法中二元高斯混合模型参数,利用极大似然估计方法的估计不变性得到目标参数的估计融合结果。仿真实验表明:该方法在局部传感器观测样本数目大于5000和信噪比大于6 dB时与已有理想信道条件下的估计方法性能相当,该方法为水下目标探测中分布式量化估计融合系统的工程实现提供了理论依据。

基于最大似然算法的空间谱估计测向性能分析

本文针对车载小阵列的情况，首先研究解决相干源方向估计的有效方法──最大似然法，然后着重分析了角分辨能力和估计精度，并与前后向平滑法进行了估计精度的比较。本文对每一结论都给出了仿真结果。