基于EM-KF算法的微地震信号去噪方法

针对微地震信号能量较弱,噪声较强,使微地震弱信号难以提取问题,提出了一种基于EM-KF(Expectation Maximization Kalman Filter)的微地震信号去噪方法。通过建立一个符合微地震信号规律的状态空间模型,并利用EM(Expectation Maximization)算法获取卡尔曼滤波的参数最优解,结合卡尔曼滤波,可以有效地提升微地震信号的信噪比,同时保留有效信号。通过合成和真实数据实验结果表明,与传统的小波滤波和卡尔曼滤波相比,该方法具有更高的效率和更好的精度。

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PSO和MLEM混合算法的NDP测量反演算法研究

中子深度剖面(NDP)分析技术是一种无损检测方法,能够同时测量样品中目标核素的浓度与空间信息,已被广泛应用于锂电池、半导体等产业。在NDP分析过程中,由测量能谱反演出目标核素浓度的分布信息是关键步骤。目前NDP测量反演中常用的算法为最大似然期望最大化(MLEM)算法。针对MLEM算法计算结果易陷入局部最优解的情况,本文提出了粒子群(PSO)与MLEM混合(PSO-MLEM)算法,并通过动态加速因子提高了算法的收敛速度与计算精度。应用PSO-MLEM算法、PSO算法、MLEM算法、奇异值分解求解最小二乘(SVDLS)算法对锂电池中^(6)Li的NDP模拟能谱进行反演,并对反演计算结果进行了评价。结果表明:对比PSO算法,PSO-MLEM算法的收敛效率与计算精度明显提升;对比MLEM算法,PSO-MLEM算法的全局寻优能力有效提升了反演精度,避免了局部最优解的影响;对比SVDLS算法,PSO-MLEM算法的反演精度明显提升。

采用期望最大化算法的半滑舌鳎性逆转性状高效遗传解析

为了解析半滑舌鳎(Cynoglossus semilaevis)性逆转性状的分子遗传作用机制,定位筛选可用于性控育种的分子标记或侯选基因,本研究提出了一种期望最大化算法(Expectation-Maximization algorithm,EM),并基于该算法开展了半滑舌鳎性逆转性状的全基因组关联分析。EM算法直接使用阈模型中隐含连续正态分布表型的期望作为因变量,用迭代最小二乘代替logit回归法的迭代重加权最小二乘,它具有比logit回归法更直观、更易于编程的优点。本研究采用显著主成分控制群体分层后,使用EM算法与logit回归对对半滑舌鳎数据进行GWAS(Genome-wide Association Study,GWAS)分析。结果显示,EM算法结果无明显的假阳性或假阴性,比logit回归法的检测效力更高。基于EM算法的全基因组关联分析共定位到13个与性逆转性状显著关联的QTN(quantitative trait nucleotide,QTN),其中3个QTN位于W染色体上,10个QTN位于Z染色体上。经过基因注释发现,上述定位获得的QTN位于LOC103396896、MALT1、ADGRD2、FBXl17、DMXl1、SMARCA2、DMRT1、LOC103397760、NEUR13和PDLIM5a基因区段内。当进行检索时发现,这些基因参与了其他物种中涉及性别决定或性腺发育等相关过程。本研究提供了一种基于EM算法的具有高检测效力的全基因组关联分析方法,同时也为半滑舌鳎的性逆转遗传机制解析和性控育种提供有效的理论指导。

基于改进期望最大化算法的供应链网络边连接规则优化

针对供应链网络在演化形成阶段,企业随机连接可能会导致网络稳定性和运作效率降低的问题,提出一种基于期望最大化(EM)算法的供应链网络连接改进算法。首先,将网络节点边的数量作为新参数加入算法,以更准确地确定新节点在供应链网络中拥有的边数;其次,在边数确定的情况下,提出剩余边连接规则,以增强节点的选择性和分化度;最后,在保证新企业节点能平稳运行的前提下,研究不同初始边数对网络演化的影响。仿真实验结果表明,与EM算法相比,所提改进算法仅需要迭代计算80次即可得到稳定的结果,并且在1 000个节点的规模内,得到的连边数量稳定在4附近,与实际供应链网络的演化过程相匹配。由此可见,所提算法对实际供应链网络的拟合效果明显优于EM算法。

带有偏正态误差的众数回归模型最大似然估计的EM算法

经典的多元线性回归模型要求残差满足高斯-马尔柯夫假设(G-M),在实际生活中由于数据的随机性往往很难满足这个条件.利用Sahu等在2003年提出的偏正态分布来拓展经典的回归模型,给出了偏正态分布众数的近似表达式,建立了偏正态分布下均值和众数多元线性回归模型.在求解模型的参数估计时使用偏正态分布的分层表示构造EM算法.在M步统一给出两点步长梯度下降算法,同时也对均值模型给出显示迭代表达式.最后通过模拟分析以及实例来讨论两种回归模型的可行性.

基于高斯混合模型及EM算法的建筑工程数据预警治理方法

结合初期雨水调蓄大直径顶管工程的实际设计及施工经验,对软弱地层条件下长距离大直径平行双管曲线顶管在设计及施工过程中存在的重点难点问题进行总结,并对顶管过程中的顶力及管周摩阻力做了深入分析研究,有针对性地提出了相应的解决方案,使该顶管工程顺利贯通。建筑工程行业在现代社会中发挥着重要的经济和社会作用,然而,它也伴随着诸多风险和不确定性。为了有效地管理和预测这些风险,本文提出了一种基于高斯混合模型(GMM)和期望最大化(EM)算法的数据预警治理方法。该方法旨在通过对建筑工程数据的建模和分析,提前识别潜在的问题和风险,从而改善工程项目的管理和决策。

混合Beta分布GARCH模型的EM算法求解与实证分析

GARCH模型在处理时序数据异方差问题中得到广泛应用,然而在面临一些特殊领域的数据,尤其是金融市场领域中具有高峰厚尾、非对称性、有界取值区间等特征的数据时,传统正态分布的基本假设往往与现实严重不一致。针对此类问题,文章提出混合Beta分布的GARCH模型,并给出了基于完全数据最大似然函数的EM算法估计模型的参数,以仿真模拟数据和金融市场现实数据为例,进行了实证分析。结果显示,在违背正态分布假设的情形下,混合Beta分布GARCH模型更能有效地提炼波动的一系列非正态性信息,同时也验证了EM算法对模型的参数求解行之有效。

基于数据驱动期望场景集序列的微电网鲁棒经济调度算法

针对新能源和负荷功率的不确定性,提出基于数据驱动期望场景集序列的微电网鲁棒经济调度算法。通过聚类方法将大量历史场景数据进行聚类处理,形成聚类场景集序列,基于概率缩减为期望场景集序列。日前计划阶段,以任意场景可行作为约束条件,以期望场景所对应的微电网运行成本的概率加权指标作为目标函数,通过列约束生成算法对微电网经济调度问题进行求解。日内调度阶段,利用新能源和负荷的测量数据,基于日前计划调度结果对微电网进行再调度,通过对传统能源发电功率和电网交互功率调整进行惩罚,来追踪日前计划调度结果,优选出微电网设备最优出力,提高微电网经济性。仿真案例验证了该方法的有效性。

基于Bayesian的期望最大化方法——BEM算法

通过对标准 EM算法收敛于局部极值的原因进行分析 ,提出了基于 Bayesian方法的神经网络新学习算法—— BEM算法 .该算法解决了标准 EM算法的上述缺陷 ,同时还可防止标准 EM算法 Overfitting情况的出现 ,并可防止标准 EM算法有时只响应单一模式而失去泛化能力情况的出现 .实验结果表明了该算法的正确性和有效性 .该算法对研究和发展标准

退火期望最大化算法A-EM

使用EM算法训练随机多层前馈网具有低开销、易于实现和全局收敛的特点,在EM算法的基础上提出了一种训练随机多层前馈网络的新方法AEM.AEM算法利用热力学系统的最大熵原理计算网络中隐变量的条件概率,借鉴退火过程,引入温度参数,减小了初始参数值对最终结果的影响.该算法既保持了原EM算法的优点,又有利于训练结果收敛到全局极小.从数学角度证明了该算法的收敛性,同时,实验也证明了该算法的正确性和有效性.

期望最大(EM)算法及其在混合高斯模型中的应用

将期望最大 (EM)算法应用于混合高斯模型中 ,通过对算法的介绍及其分析 ,得出 EM算法是参数估计的一种有效算法 ,他大大降低了计算复杂度 ,但性能却与最大似然估计相近 ,具有很好的实际应用价值。

局部线性下的函数型主成分聚类算法

函数型聚类分析在统计学领域被广泛关注,其分析过程通常在降维目标实现后进行。为了有效解决函数型主成分聚类问题,文章结合局部线性嵌入算法(Locally Linear Embedding,LLE)在非线性空间下的适用性,提出了一种局部线性下的函数型主成分分析模型(LLE Function Principle Component Analysis,LFPCA)。首先,采用函数型主成分分析法作为降维目标方法,改进了FPCA的算法模型,通过将LLE算法的权重系数矩阵与函数型主成分定义相结合,构建出一个适用于非线性空间下的聚类算法;其次,在求解算法的过程中定义了函数型主成分得分,并结合EM算法构建出GMM模型来近似函数型算法的概率密度函数,使模型更高效且适用性更强;最后,通过随机模拟实验及应用分析验证了LFPCA算法模型在真实数据集上具有良好的聚类效能。

基于改进BBO算法和模糊期望效果的反导武器目标分配建模与实现

针对现有反导武器目标分配(weapon target allocation,WTA)由于忽略射击有利度和目标意图价值的不确定特征,而造成目标错分、漏分的问题,引入模糊期望理论,构建基于模糊期望效果的最大化费效比反导WTA模型。针对模型特点,提出基于改进型生物地理优化(improved biogeography-based optimization,IBBO)算法。该算法采用基于整数的矩阵编码方式,通过余弦动态自适应策略改进迁移操作。同时,引入共生生物搜索(symbiotic organisms search,SOS)算法中相互作用思想,设计基于共生策略的变异操作。此外,在IBBO算法基础上结合模糊模拟形成混合智能算法,对模型进行求解。仿真实例表明,所提算法较好地协调了集约化和多样化的能力,提升了求解的精度与效率,满足不确定环境下反导辅助决策对求解精度和时效性的要求。

利用期望最大化算法的EMCCD噪声分布模型的参数估计

讨论了电子倍增CCD(EMCCD)图像的噪声来源及其统计特性,建立了混合泊松-高斯噪声分布模型。针对混合泊松-高斯噪声分布模型的极大似然函数难以求解的问题,对噪声模型进行了适当的初始化设置,利用期望最大化算法对噪声模型进行参数估计,有效实现了噪声参数的极大似然估计。Monte Carlo仿真结果及实验结果表明,期望最大化算法估计性能较好,对混合泊松-高斯分布有较好的拟合效果,能得到较高精度的参数估计值。

基于EM算法的组合导航系统容错方法

针对SINS/GPS组合导航系统中,GPS提供的量测信号存在容易受到干扰而导致滤波精度下降的问题,提出一种基于EM算法的组合导航系统容错方法。该方法对各个分量的量测噪声建立二维高斯混合模型,并引入一个指示变量表示量测值从异常分布中采样的概率。根据系统状态方程、上一时刻状态估计值以及当前时刻测量值,利用EM算法求解当前时刻量测真值的极大似然估计,并结合序贯滤波算法对每一个分量的量测值进行精细检测与修正。车载实验表明,该方法能够有效提高SINS/GPS组合导航系统在GPS信号异常情况下的融合精度与可靠性。

基于期望最大化算法的电能表误差估计技术

根据能量守恒原理,电能表的计量误差可以通过一种线性模型来估计。该文提出一种基于期望最大化(expectation-maximization,EM)算法的新型误差估计方法,用于评估在运行电能表的误差程度。该方法将电能表误差模型中存在的大量无法观测到的变量作为隐变量对待,并根据最大似然估计(maximum likelihood estimation,MLE)法则,以迭代计算的方式对误差模型中的各种变量进行估计,能有效地对真实环境中存在的各种噪声进行模拟。在实验室仿真数据与工程中的真实数据上的实验结果都表明,该方法对小超差电能表计量误差的估计能达到较高精度,具有工程上的实用性和经济价值。

EM算法在变形监测数据处理中的应用

针对测量数据在隐含的未观测变量或者观测数据不完整的情况下难以处理等一系列问题,引入EM算法,对不完全沉降数据进行建模分析,并对后期沉降数据进行较为精确的预测。建模结果表明,在缺失数据情况下,EM算法可以有效提高变形监测数据分析的精度和可靠性,提高变形监测数据处理质量。

非对称偏斜噪声条件下一种鲁棒概率系统辨识算法研究

在现有的系统辨识算法中,常用的高斯、学生氏t(Student's t,St)、拉普拉斯等噪声分布均呈现出对称的统计特性,难以描述非对称性、有偏的输出噪声,使得在非对称偏斜噪声条件下算法的性能下降.基于此,研究一类广义双曲倾斜学生氏t(Generalized hyperbolic skew student's t,GHSkewt)分布,并在非对称偏斜噪声条件下,提出一种线性系统鲁棒辨识算法.首先,对GHSkewt分布的重尾特性和偏斜特性进行详细阐述,数学上证明了标准学生氏t分布可看作是GHSkewt分布的一个特例;其次,引入隐含变量将GHSkewt分布进行数学分解,以方便算法的推导和实现;最后,在期望最大化(Expectation-maximization,EM)算法下,重构具有隐含变量系统的代价函数,通过迭代优化的方式,不断从被污染数据集中学习过程的动态特性和噪声分布,实现噪声参数和模型参数的联合估计.

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。