按分量加权的探测目标状态线性融合

给出了一种在使残差方差矩阵的迹最小化意义下的状态估计线性组合的最优融合准则和加权矩阵的计算公式 ,并给出了利用实际数据计算的试验结果。结果表明 ,利用本方法使融合后的目标轨迹与目标真实运动轨迹非常接近 。

融合AR模型和MCMC方法的水文模拟不确定性分析

为提高水文模型参数识别的可靠性,融合自回归模型与马尔可夫链-蒙特卡洛方法(auto regressive model based modified Markov Chain-Monte Carlo,AR-MCMC),利用自回归模型刻画残差序列的自相关性,修正MCMC方法中的残差协方差矩阵。通过新疆提孜那甫河流域融雪径流模型(SRM)的案例分析发现:融雪径流模拟的残差序列具有显著的自相关性;修正残差协方差矩阵后,边缘似然值更大;综合考虑多项评价指标,AR-MCMC方法在识别期与验证期推求的预测区间均优于MCMC方法;对比2种方法在识别期与验证期的纳什系数,采用AR-MCMC方法依次为0.86、0.89,而采用MCMC方法依次为0.84、0.87,即AR-MCMC方法获取的模型拟合效果更好。分析结果表明,相对于传统的MCMC方法,AR-MCMC方法能够更好地对研究区融雪径流过程进行模拟预测。