一种基于广义最大相关熵准则的运动平均方法

本文提出一种基于广义最大相关熵准则的运动平均方法,有效提高了多视角点云配准的效率和精度.首先,借助李代数优化框架,导出了残差与待求变量二者之间的线性显式关系,将该残差与广义最大相关熵准则结合,提出了考虑所有相对运动的变量解算模型;其次,借助半二次优化技术和交替方向乘子法,给出了模型的一种数值解算方法;最后,提出了一种具有自适应性的核宽选取方法,以使算法在相对运动集包含较多外点的情况下仍能获得较为准确的配准结果.以真实模型和环境数据集为对象开展了对比实验,基于双视角点云配准算法分别获得了5个测试点集在30%、20%点云面积重叠率阈值下的双视角配准结果,共形成10组相对运动集.其中,相对运动集误差随重叠率阈值的下降逐渐增加.所提方法在10组运动集上均获得了较佳的配准结果,实验结果表明本文所提方法有效提高了运动平均方法的计算精度与效率.此外,当运动集包含大量外点时,采用本文所提方法仍能获得较为准确的配准结果,表明本文所提方法具有较强的鲁棒性.

最大相关熵准则下改进扩展卡尔曼滤波的车辆状态估计

针对传统卡尔曼滤波在非高斯环境下对车辆状态估计鲁棒性和精度差的问题,提出最大相关熵准则(MCC)下改进自适应迭代扩展卡尔曼(AIEKF)滤波算法(MC-AIEKF),建立横-纵耦合的三自由度车辆模型,利用易测得的车载传感器信息设计了包含横摆角速度、质心侧偏角、纵向车速的状态观测器。在双移线和正弦扫频输入工况下通过Simulink/CarSim仿真试验平台对提出的算法进行了验证。结果表明,在非高斯环境下,相比于扩展卡尔曼滤波(EKF)和AIEKF,MC-AIEKF算法估计精度高,鲁棒性好,在实际的车辆状态估计中MC-AIEKF具有更强的适用性。

非高斯环境下基于最大相关熵的平滑估计器设计

针对Kalman平滑估计器在非高斯噪声环境下性能衰退问题,本文提出了一种基于最大相关熵准则作为最优估计标准的平滑估计方法,将其应用于固定滞后问题的状态估计,称之为固定滞后最大相关熵平滑估计器(FLMCS).首先,使用矩阵变换,给出最大相关熵Kalman滤波器的另一种形式;然后,以此为基础,通过引入新的状态变量来增广系统,并推导出所提平滑估计器的在线迭代方程;进一步比较平滑前后状态估计误差协方差,从理论上分析算法性能改进效果;最后,通过算例仿真验证所提平滑估计器在非高斯噪声干扰下的有效性和优越性.

有偏量测下基于最大相关熵卡尔曼滤波的目标跟踪方法

针对传感器存在系统偏差且噪声非高斯条件下目标状态估计精度较差的问题,提出一种有偏量测下基于最大相关熵卡尔曼滤波(Maximum Correntropy Kalman Filter,MCKF)的目标跟踪方法。该方法通过引入差分机制,利用目标相邻时刻的有偏量测之差构建差分量测方程,有效克服了系统偏差的影响。随后基于最大相关熵准则(Maximum Correntropy Criterion,MCC)量化估计误差的高阶矩信息,并以差分量测为先验条件推导出有偏量测下算法的滤波迭代方程。仿真结果表明,当系统观测值受传感器系统偏差和非高斯噪声干扰时,与现有方法相比,所提方法具有更好的跟踪性能。

最大相关熵卡尔曼滤波误差修正方法

针对各类设备性能参数测试过程中,由于测试设备自身误差和测试人员操作不当带来的测试数据误差问题,提出一种最大相关熵卡尔曼滤波(maximum correlation entropy Kalman filter,MCKF)误差修正方法。该方法通过引入最大相关熵,对测试数据中的非高斯噪声干扰进行处理,提高误差修正精度。将其运用到某设备性能参数测试数据的误差修正中,仿真结果表明:该方法能够有效处理测试数据中的非高斯噪声干扰对误差修正精度带来的影响。

基于最大相关熵的张量多视图子空间聚类

由于多个视图能够更加全面、恰当地描述数据信息,对多视图子空间聚类(MVSC)算法研究的热度愈加高涨。将最大相关熵准则引入到张量多视图聚类,并在块坐标下降求解框架下提出一个新的多视图子空间聚类算法,称为基于最大相关熵准则的张量多视图子空间聚类(TMVSC-MCC)算法。提出的优化模型将所有视图的子空间表示矩阵视作一个三阶张量。通过对张量施加低秩约束与引入最大相关熵准则的度量使所提出的模型不仅能够通过张量低秩约束充分挖掘视图间的高阶相关信息,并通过最大相关熵准则的度量消除多视图数据中噪声的影响。由于提出模型的非凸性,利用加速块坐标下降算法对模型进行有效求解。为验证TMVSC-MCC算法的性能,在4个图像数据集上进行对比实验,结果证实所提出的算法优于其他9种聚类算法。

基于广义最大相关熵准则的宽度学习系统

宽度学习系统(broad learning system,BLS)是近几年提出的一种新型判别学习方法,具有结构简单,训练快速的特点,在各种回归和分类问题上得到广泛应用。然而标准的BLS是在最小均方误差(MMSE)准则下推导出来的,对异常值的存在十分敏感,这无疑降低了系统的准确性。为了提高BLS的鲁棒性,有学者提出了最大相关熵准则(MCC)的BLS(C-BLS)。相对于最小均方误差准则,最大相关熵准则包含了更多的高阶误差信息,所以C-BLS对异常值具有良好的鲁棒性。但考虑到相关熵中默认的核函数固定为高斯核,这并不适用于绝大多数情况。本文中引入了以广义高斯密度(GGD)函数作为核函数的广义相关熵,并将广义最大相关熵准则(GMCC)应用于BLS,提出了新的鲁棒算法(GC-BLS)。相较于高斯核函数,广义高斯密度函数更为灵活,高斯核可以看作它的一个特例,在选取适当参数时,GC-BLS将退化为C-BLS,这使得新算法至少能获得与C-BLS算法相当的性能。实验中以均方根误差作为标准,在回归数据集与时间序列数据集上对新算法进行检验,在绝大多数情况下,GC-BLS都能取得相较于其他算法更小的均方根误差。实验表明,该算法是非常稳定的。仿真结果验证了理论上的期望,并验证了新算法的性能。

基于变分贝叶斯的连续-离散最大相关熵CKF算法

针对纯方位目标跟踪中测量噪声协方差未知和非高斯测量噪声突变问题,提出了一种平方根连续-离散变分贝叶斯最大相关熵容积卡尔曼滤波(SRCD-VBMCCKF)算法。将目标跟踪模型建立为连续状态空间-离散测量空间模型,提高了目标跟踪的解算精度;由变分贝叶斯准则对未知的时变测量噪声进行估计,提升了算法的自适应性;考虑到测量中出现的非高斯突变噪声,由最大相关熵准则构建抗差因子,进一步增强了算法对异常测量值的鲁棒能力。仿真结果表明:所提算法能够对测量中的未知时变噪声和非高斯重尾突变噪声有效抑制,且相比于传统滤波算法,所提算法兼具自适应性和鲁棒性。

α噪声下基于随机共振的最大相关熵频谱感知

α噪声下的频谱感知成为近年来的研究热点,该噪声的统计模型具有明显的脉冲性和拖尾性,并且在微弱信号条件下,信号特征不够明显。为此提出了基于随机共振的最大相关熵频谱感知方法,该方法通过随机共振模型中粒子在双势阱间的跃迁,将α噪声的部分能量转移到信号中,以提高信号的输出信噪比。采用最大相关熵方法构建高阶统计量,检测随机共振后的输出信号,并联合共轭梯度下降法获取最佳目标函数,实现频谱感知。仿真结果表明,该算法在低信噪比条件下能够有效提高检测性能。

基于最大相关熵SCKF的分布式电动汽车状态估计

车辆状态的精确估计,对车辆横、纵向稳定性控制至关重要。在车辆状态估计中,容积卡尔曼滤波(cubature Kalman fifilter, CKF)和平方根容积卡尔曼滤波(SCKF,square-root cubature Kalman fifilter)易受重尾非高斯噪声的影响,估计精度差。为了解决该问题,提出了一种基于最大相关熵准则的新型滤波算法,即最大相关熵平方根容积卡尔曼滤波器MCSCKF(maximum correntropy square-root cubature Kalman fifilter),通过近似状态预测值和测量值重新构造测量噪声协方差矩阵。建立了非线性7DOF车辆模型、Dugoff轮胎模型和Carsim分布式电驱动车辆模型,在正弦工况和双移线工况下,对车辆的纵向速度、侧向速度和横摆角速度3个状态变量进行估计。通过Carsim和Matlab/Simulink联合仿真验证,结果表明:MCSCKF算法可以适应复杂工况,对车辆状态估计的准确性优于CKF和SCKF算法。

基于截断最大相关熵准则损失函数的鲁棒极限学习机

极限学习机(Extreme Learning Machine, ELM)在前馈神经网络中具有高效快速的优势。然而ELM在面对异常值时较敏感,鲁棒性较差。本文对最大相关熵损失函数进行了截断,将最大相关熵损失函数进一步改进为能够限定最大损失为常数的截断最大相关熵损失函数,构建基于截断最大相关熵准则损失函数的鲁棒ELM模型,以此来抑制噪声和异常值对模型的影响。采用迭代重加权算法对模型进行求解。最后在数据集上验证所提出的模型的有效性。实验结果表明,该模型在噪声条件下提高了对噪声和离群值的鲁棒性。

基于最大相关熵的水下应答器位置标定方法

超短基线(USBL)定位系统广泛应用于水下航行器的组合导航定位。已知的精确应答器位置是应用USBL进行导航定位的前提。传统应答器位置标定方法以斜距为观测量,标定精度不高、鲁棒性差。文中以斜距和方位角为观测量,推导了基于卡尔曼滤波的线性化量测方程。同时,考虑到水下复杂环境导致的噪声非高斯分布特性,提出一种采用最大相关熵滤波抑制野值的水下声学应答器位置标定方法。在长江典型环境下对应答器位置进行标定试验,试验结果表明,所提方法相比于传统方法具有更高的标定精度,在野值干扰下具有更好的鲁棒性,经标定后,在东北天3个方向上USBL的定位精度分别提高了48.3%, 48.2%和40.4%,可实现水下航行器高精度导航定位功能。

最大相关熵准则自适应滤波器的分数阶长算法

对自适应滤波器最佳阶长的准确估计可以有效平衡自适应算法的稳态性能与计算复杂度,而基于最小均方差(MMSE)准则的变阶长最小均方(LMS)算法在非高斯噪声环境下的收敛性能变差。针对这一问题,提出一种最大相关熵准则(MCC)自适应滤波器的分数阶长(FT)算法——FT-MCC算法。该算法从MCC自适应滤波器最佳阶长的定义出发,利用不同阶长滤波器产生的相关熵之差实现阶长更新。理论分析和实验表明:相比现有变阶长最小均方算法,FT-MCC算法在非高斯噪声环境中具有较强的鲁棒性;通过恰当的参数选择,算法可较好地实现对最佳阶长的跟踪和估计。

基于最大相关熵的通信辐射源个体识别方法

采用相关熵度量辐射源细微特征之间的相似性,提出一种基于最大相关熵的通信辐射源个体识别方法。首先提取矩形积分双谱特征来表征辐射源个体差异,并基于最大相关熵准则构造优化函数;其次利用半二次优化技术,将非线性的优化问题转化为加权线性最小二乘问题;最后利用有效集算法得到稀疏系数构造分类器,实现通信辐射源的个体识别。在实际采集的同厂家同型号的FM电台数据集上,验证了方法的可行性与有效性。

基于最大相关熵准则的网络流量预测

为提高网络流量预测的精度，针对网络流量的非线性特征提出了一种基于新的误差评价准则——最大相关熵准则（MCC）的网络流量预测方法。该方法使用MCC对Elman神经网络进行训练。该评价准则是基于新的相似度函数——广义相关熵（corrent．ropy）函数的概念建立的，此相似度函数以误差概率密度函数的Parzen窗估计和瑞利熵为基础。同时结合MCC和最小均方误差（MMSE）准则提出了一种混合的评价准则MCC-MMSE。针对网络流量的非线性、非高斯性、突变性等特性，分别以MCC、MCC-MMSE准则进行了Elman神经网络的训练，使用训练好的神经网络进行网络流量预测，仿真结果表明预测结果的精度优于以MMSE为准则的Elman神经网络的预测结果。

冲激噪声环境下基于最大相关熵准则的双基地MIMO雷达目标参数联合估计算法

该文采用最大相关熵准则(MCC)对平行因子分析算法中基于三线性最小二乘(TALS)迭代准则的目标函数进行了修正,推导出适用于脉冲噪声环境的韧性平行因子分析(PARAllel FACtor,PARAFAC)算法(MCC-PARAFAC算法),并将该方法应用于双基地MIMO雷达系统目标参数估计中。MCC-PARAFAC算法能够抑制脉冲噪声的影响,具有较好的估计性能,并且能够实现自动配对。仿真实验验证了算法的有效性。

基于最大相关熵准则的多尺度高斯核极端学习机

针对传统的多尺度核极端学习机对噪声敏感且计算量大的问题,提出一种适用于高斯噪声环境的多尺度核极端学习机。首先,利用最大相关熵准则代替多尺度核极端学习机中传统的最小均方差准则构造目标函数;其次,将1种按训练样本数随机生成尺度因子的多尺度化方法应用于高斯核函数;最后引入拉格朗日乘子法对目标函数进行求解,推导出基于最大相关熵准则的多尺度高斯核极端学习机。实验表明,该算法具有更高的学习效率,与传统多尺度核极端学习机相比,在3个UCI基准数据集上预测精度平均提升30.30%,在对水泥熟料f-CaO含量进行预测的应用实验中预测精度提升23.8%。

扩散式变阶数最大相关熵准则算法

固定阶数的分布式自适应滤波算法只有在待估计向量的阶数已知且恒定的情况下才能达到相应的估计精度,在阶数未知或时变的情况下算法的收敛性能会受到影响,变阶数的分布式自适应滤波算法是解决上述问题的有效途径。但是目前大多数分布式变阶数自适应滤波算法以最小均方误差(Mean square Error,MSE)准则作为滤波器阶数的代价函数,在脉冲噪声环境下算法的收敛过程会受到较大影响。最大相关熵准则具有对脉冲噪声的强鲁棒性,且计算复杂度低。为提高分布式变阶数自适应滤波算法在脉冲噪声环境下的估计精度,利用最大相关熵准则作为滤波器阶数迭代的代价函数,并将得到的结果代入固定阶数的扩散式最大相关熵准则算法,提出了一种扩散式变阶数最大相关熵准则(Diffusion Variable Tap-length Maximum Correntropy Criterion,DVTMCC)算法。通过与邻域的节点进行通信,所提算法以扩散的方式实现了整个网络的信息融合,具有估计精度高、计算量小等优点。仿真实验对比了在脉冲噪声下DVTMCC算法和其他分布式变阶数自适应滤波算法、固定阶数的扩散式最大相关熵准则算法的收敛性能。仿真结果表明,在脉冲噪声环境下DVTMCC算法能够同时估计未知向量的阶数和权值,性能优于参与对比的算法。

最大相关熵准则下多层极端学习机的批量编码

针对多层极端学习机(hierarchical extreme learning machine,HELM)对大样本数据集学习时容易发生过拟合现象且内存需求巨大的问题,提出一种基于最大相关熵准则的批量编码式多层极端学习机.首先通过引入最大相关熵准则(maximum correntropy criterion,M CC)代替HELM决策层中的最小均方差准则(minimum mean square error,M M SE),降低网络对异常点的敏感度,改善过拟合现象,构造出基于最大相关熵准则的多层极端学习机(MCC-HELM).其次利用MCC-HELM对大样本数据分批次进行编码学习,从而降低学习过程中的内存需求与整体运行时间.最后利用在线极端学习机的思想,在最终决策前将所有批次的决策层依次进行融合,推导出基于最大相关熵准则的批量编码式多层极端学习机(BC-HELM).实验结果表明,与HELM相比,本文提出的BC-HELM在保证学习精度的前提下,运行时间更短且内存需求显著降低,与其他多层ELM网络相比学习效率也有较大的提升.

扩散式最大相关熵准则变步长仿射投影符号算法

目前大多数分布式估计算法以最小均方误差准则作为代价函数,在脉冲噪声下性能恶化乃至发散。扩散式仿射投影符号算法(Diffusion Affine Projection Sign Algorithm,DAPSA)以L 1范数为代价函数,在脉冲噪声环境中具有良好的鲁棒性,并且具有较快的收敛速度。然而,固定步长的DAPSA在保持较大的初始收敛速度和较低的稳态误差之间存在矛盾。为降低非高斯噪声环境下DAPSA的稳态误差,同时仍保持较快的初始收敛速度,文中提出了一种扩散式最大相关熵准则变步长仿射投影符号算法(Diffusion Maximum Correntropy Criterion Variable StepSize Affine Projection Sign Algorithm,DMCCVSS-APSA)。首先,该算法利用改进的卡方核作为核函数,自适应更新算法每次迭代过程中的步长取值,在取得较快初始收敛速度的同时可有效降低稳态误差;然后,提出了一种基于系统先验误差的自适应动态范围方法,以进一步降低稳态误差;最后,通过改进卡方核与改进高斯核函数的对比实验,DMCCVSS-APSA与其他分布式算法的对比实验、不同脉冲噪声环境下DMCCVSS-APSA和DAPSA的对比实验,验证了所提算法的性能表现。仿真结果表明,DMCCVSS-APSA与对比算法相比表现良好,在相似的初始收敛速度下稳态误差降低了5dB以上。实验数据充分说明,在固定步长的DAPSA的基础上提出的变步长方法和自适应动态范围方法,具有对脉冲噪声的强鲁棒性的同时,能有效降低稳态误差,提升了分布式仿射投影类算法的性能表现。最后指出所提算法在ATC式联合方式和最优灵敏度的取值上需要进一步的研究。