基于经验似然方法对分位数相关系数的区间估计

分位数相关系数是一种度量两个随机变量之间线性相关关系的非对称相关系数,在统计,金融,化学等领域的特征选择问题中都扮演着重要的作用.同时,经验似然作为一种非参数方法,被广泛应用于各类模型的统计推断问题.对于任意两个随机变量,从分位数相关系数的定义出发,建立估计方程,引入代入经验似然方法(PEL)和其修正版本(APEL),分别得到渐近规则化的卡方分布和标准卡方分布,从而得到分位数相关系数的区间估计.数值模拟部分从覆盖概率,置信区间长度和基于区间得分的平均损失三方面比较了两种基于经验似然的方法同其他已有方法的效果.实证分析部分将提出的方法应用于一项来自福布斯排行榜的数据集.

加载语义似然估计的粒子滤波重定位

针对移动机器人全局重定位时易出现定位错误的问题,本文提出一种基于构建的语义地图,并加载语义似然估计的粒子滤波重定位的解决方法.利用激光雷达建立环境栅格地图,同时结合三维深度相机对物体的识别与定位信息,赋予栅格语义信息,得到环境语义地图.在重定位过程中,通过粒子滤波方法同时进行栅格地图结构匹配与环境语义信息的匹配,以推算机器人在地图上的实际位置.通过实验证明所提出方法克服了现有粒子滤波方法仅利用环境结构信息进行匹配的不足,有效解决机器人全局重定位容易出错的问题,增强了重定位的鲁棒性,同时增强了重定位的收敛速度.

基于粒子群优化理论的可靠性分布模型的极大似然参数估计法

针对有些复杂分布模型采用常规极大似然法很难直接进行参数估计,将粒子群优化理论引入极大似然法,提出了基于粒子群优化算法的新的参数估计方法,并通过实例模拟论证了该方法的可行性与有效性。

基于似然分布调整的粒子群优化粒子滤波新方法

传统基于粒子群优化的粒子滤波(PF)算法(PSOPF)在移动粒子向高似然区域移动的过程中,由于破坏了预测分布,当似然函数具有多峰时,其在具有大计算量的同时滤波性能并没有明显提升。针对该问题,提出了基于似然分布调整的粒子群优化粒子滤波新方法(LA-PSOPF)。在保留预测分布的前提下,运用PSO算法调整似然分布,提高有效粒子数量,进而提高滤波性能;同时引入局部优化策略,缩减参与PSO优化的粒子群规模,从而减少运算量,达到滤波精度与速度的平衡。仿真结果表明,当量测误差较小,似然函数具有多峰值时,改进算法的滤波精度和稳定性都优于PF算法和PSOPF算法,同时运算时间少于PSOPF算法。

用于最大似然2-DOA估计的裂变粒子群算法

最大似然2-DOA估计是一种抗干扰能力强、精确度高的测向算法。对其目标函数求解时容易收敛到局部最优解,最终影响最大似然2-DOA估计的性能。考虑到粒子群(PSO)算法具有全局化寻优能力及计算量巨大的特点,本文提出了一种裂变粒子群(FPSO)算法,在保证全局化寻优能力的同时大大降低计算量。但当2-DOA估计环境恶劣时FPSO算法仍然需要较大的迭代次数才能达到一定的2-DOA估计精度。为了进一步降低计算量,提出了改进的FPSO算法。其采用AP算法初始化全局最优粒子,精确了初始化精度从而降低精确2-DOA估计所需的迭代次数。仿真证明,FP-SO算法和改进的FPSO算法能够分别在AWGN信道和短波信道下以较低的计算量实现精确的2-DOA估计,其均方根误差逼近其CRB。

基于最大似然估计和Kalman滤波的BPSK载波同步方法

针对低信噪比及大多普勒频率变化率情况下的载波同步问题,提出一种基于最大似然估计和Kalman滤波相结合的跟踪环结构.利用最大似然估计在低信噪比环境下准确估计载波频率和相位,并结合Kalman滤波对载波变化进行稳定跟踪.其中利用二分法搜索保证低计算复杂度的同时提高了估计精度.仿真结果表明了此载波跟踪环路良好的跟踪性能.

基于变权平均似然函数的粒子滤波改进算法

在纯方位跟踪中,针对随机观测噪声对粒子权值准确性的影响,提出了一种基于变权平均似然函数的粒子滤波改进算法,在每个粒子权值更新过程中,采用多次观测值计算粒子似然函数并对其变权平均,替代由单一观测值更新粒子权值的方法,减小随机观测噪声对权值的影响。最后,通过实验仿真表明:新算法在纯方位跟踪中滤波精度优于传统粒子滤波算法。

基于最大似然互相关时延估计的超声辐射力弹性成像技术研究

为满足粘弹性材料弹性特性非接触定征应用的需求,开展基于最大似然互相关时延估计的超声辐射力弹性成像技术研究。针对传统基于归一化协方差时延估计的超声辐射力弹性成像技术在低信噪比环境下分辨率下降的缺点,该方法以超声辐射力作为驱动力源,非接触作用于待检粘弹性材料上使其产生形变,并利用最大似然互相关时延估计技术分析处理超声回波信号,实现待检材料所产生形变的多分辨率检测,从而确定弹性模量相对值的空间分布图,达到对粘弹性材料弹性特性非接触定征的目的。仿真及试验研究表明,与传统超声辐射力弹性成像技术相比,该方法具有更高的弹性成像分辨率,尤其在低信噪比环境下表现出明显的优势。同时,试验所获得脂肪组织辐射力响应曲线与生物组织的Voigt粘弹性力学理论模型完全吻合,证实了所提方法的可行性和有效性。

基于极大似然估计的新息自适应滤波算法

针对噪声统计信息未知或时变情况下常规卡尔曼滤波估计精度下降甚至发散的问题,提出了一种基于极大似然估计的新息自适应滤波算法。算法对基于极大似然估计的常规新息协方差估值器进行限定记忆指数衰减加权修正,增加滑动窗口内新近新息协方差序列的利用权重;根据新息自适应原理,利用新息协方差估计值直接计算滤波增益矩阵,加快滤波器收敛速度的同时提高了滤波算法的估计精度。算法应用于捷联惯性导航系统/全球定位系统(SINS/GPS)组合导航系统,仿真实验表明:在噪声统计信息未知或时变情况下,算法具有更强的鲁棒性以及更高的滤波精度。

循环谱密度估计的最大似然滤波器法

针对周期平稳随机过程的循环谱密度的估计过去主要采用时域平均周期图法和频域平滑周期图法，特别当短数据时，上述方法的分辨率很低，方差极大，提出了循环谱密度估计的最大似然滤波器法，并作了改进．该方法不仅具有很高的分辨率，而且估计的方差也很小，具有较好的估计性能．

排球视频中结合似然度与粒子滤波的运动员跟踪方法

为了解决排球视频中运动员重叠事件影响目标跟踪精度的问题,提出一种基于改进型粒子滤波的跟踪方法.首先,为每个跟踪目标标记一个不同颜色的标签,以此来检测重叠事件的发生,同时利用粒子滤波来跟踪目标.然后,当重叠事件发生时,根据目标的颜色似然度和距离似然度计算综合似然度,以此来避免粒子聚集到一个目标上.最后,根据位置预测模型来预测目标位置,实现目标的实时跟踪.实验结果表明,提出的方法能够对重叠事件具有鲁棒性,跟踪准确率达到了80%.

一种相关测量噪声的多传感器极大似然估计数据融合方法

基于矩阵相似变换的理论,提出了一种多传感器相关测量噪声方差矩阵解相关的方法,把多传感器数据融合测量模型转化为测量噪声不相关的模型,推导出了一种相关测量噪声的多传感器极大似然估计数据融合方法。

基于非线性滤波器的最大似然信道估计(英文)

在有限信道冲激响应较长的情况,由于待估计参数空间的高维数,准确计算最大似然信道估计的复杂度较高,在实际应用中通常采用近似的方法。利用非线性Teager-Kaiser滤波器在抑制噪声的同时可以有效提取信号的特征,定义了一个表征信道参数概率分布的似然比,对该似然函数的最大化是首先得到路径延迟的极值,然后求得复路径衰耗。计算机仿真结果表明,与非似然方法相比,采用该似然函数方法能使联合检测性能得到提高。

基于卡尔曼滤波最大似然参数估计的气动参数辨识

飞行器气动参数一般通过理论计算或风洞试验数据来获取,由于受诸多因素限制而难以获得精确值;为了提高飞行器动力学模型的精确度,将卡尔曼滤波融合于最大似然参数估计中,利用最大似然函数渐进一致性、估计的无偏性、良好的收敛特性的特点,对各实际工作点的气动参数进行辨识,并详细叙述了进行气动系数辨识的基本步骤。

基于极大似然估计的鲁棒信息滤波算法研究

为了有效提高传统卡尔曼滤波算法的鲁棒性,论文从滤波算法的极大似然估计的本质分析了传统滤波算法不具鲁棒性的原因,提出了基于广义极大似然估计的一般性鲁棒方法。同时,为了实现对粗大野值的剔除,将鲁棒滤波算法扩展到信息滤波领域,推导了一般性的鲁棒信息滤波框架。仿真实验验证了论文所研究算法的有效性。

基于高斯伪似然的正定相关阵估计及其应用

基于高斯伪似然方法提出一种广义估计方程中工作相关阵的相合正定估计方法,并证明了无论工作相关阵是否被正确指定,所提出的AR(1)、等相关和MA(1)工作相关阵的高斯伪似然估计均为正定的.模拟结果表明,基于正定相关阵估计广义估计方程的回归参数估计是高效的.

基于粒子群算法的P-Ⅲ型分布极大似然估计研究

皮尔逊Ⅲ型分布(P-Ⅲ)在水文频率分析中被广泛应用。采用极大似然法(MLE)估计其分布参数时,由于计算复杂,在应用上受到了很大限制。通过将对数似然函数作为粒子群算法(PSO)的适应度函数,利用优化算法求解参数极大似然估计的数值解,即PSO-MLE算法,能够有效克服传统计算方法的缺陷。针对存在似然方程无解问题的困扰,提出了一种在粒子寻优过程中约束均值和位置参数的改进型极大似然算法。以渭河流域年降雨量的水文频率分析为例,对比其他参数估计方法的RMSE、AIC、Filliben相关系数的计算结果,可以表明PSO-MLE法有较好的实际应用价值;结合蒙特卡罗随机模拟分析结果,从统计角度证明了PSO-MLE法的参数估计结果具有更好的无偏性和有效性。

基于最大似然集合滤波器的电力系统状态估计方法

最大似然集合滤波器(Maximum likelihood ensemble filter,MLEF)是一种基于集合的确定性滤波方法。利用最大似然法对非线性目标函数进行优化,并利用低维集合空间对函数进行Hessian预处理。提出将MLEF在电力系统状态估计中进行应用研究,主要将MLEF方法引入电力系统中,并分别基于3节点和68节点测试系统进行仿真。该两个系统在以往研究中都被用来解决未定义导数的不连续问题。与以往研究中基于梯度的方法不同,该方法除了需要梯度外,还需引入Hessian信息,同时在其基础上分析了滤波器针对所提问题的性能并给出了结果。算例结果表明,该方法可以获得较好的估计收敛性。

相关辨识与极大似然估计在可控硅直流调速系统故障诊断中的应用

本文将相关辨识、相关滤波、AIC准则与极大似然估计有机联系起来,并将应用于可控硅动态系统的故障检测。本文提出的诊断过程如下:(1)加入激励信号为正常给定信号的0.1％～10％的逆重复M序列伪随机信号,以不影响系统正常运行为准.(2)求出各可测点与输入信号的相关函数,得到多条相关滤波曲线.(3)用极大似然估计与AIC准则判定各可测环节中是否出现故障.其中,估计用的输入输出数据是通过相关滤波后的数据.本文给出的物理实验结果,证明本文所提的诊断方法是有效的.

极大似然估计自适应Kalman滤波在变形监测中的应用研究

针对传统Kalman无法应对非线性变形系统中先验模型不准确或时变导致性能降低的问题,在变形监测数据降噪应用中引入基于极大似然准则的自适应Kalman滤波方法。建立观测噪声方差阵自适应估计(Res-R)和系统过程噪声方差阵自适应估计(Scale-Q)的自适应Kalman模型,并在应用中为解决信息序列不准确致使过程噪声Q扰动较大的问题,提出了基于信息序列方差调整因子的改进Scale-Q自适应滤波。工程实例数据分析结果表明,Res-R和改进Scale-Q模型降噪效果均优于传统Kalman滤波模型。