似然迭代离差差分滤波算法的机动再入目标状态估计

针对使用离差差分滤波算法对机动再入目标状态估计时,不能充分用到最新量测信息,状态估计误差较低的情况,提出一种新的滤波算法——似然迭代离差差分滤波算法.该算法在二阶离差差分滤波算法的量测更新过程中采用Gauss-Newton方法不断逼近最大后验估计,且使用迭代状态估计值代替状态预测值,修正迭代公式,并使用确保产生的迭代序列向最大似然面移动的迭代终止条件.使用似然迭代离差差分滤波算法估计机动再入目标状态,蒙特卡罗仿真表明,该算法不仅提高了状态估计精度,而且还有很快的收敛速度.

免微分非线性Bayesian滤波方法评述

以非线性递推Bayesian滤波问题的求解及其历史渊源为起点,分两类对各种免微分非线性Bayesian滤波方法或免微分方法的原理和算法进行了评述:一类是以线性最小均方误差最优估计子为特点的免微分高斯滤波,包括无味卡尔曼滤波、均差滤波器、中心差分滤波器和Gauss-Hermite滤波器或积分卡尔曼滤波器;另一类是后验密度数值逼近免微分方法,包括栅格法(GBMs)与近似栅格法、矩近似法和以粒子滤波为代表的Monte Carlo方法。其中还包括了作者的一些最新研究成果,如迭代UKF算法、裂变自举PF算法和关于粒子滤波算法有限收敛界的概念等。之后从加权统计线性回归的角度对两类免微分方法进行了统一认识,统一为以数值方法为特点的广义PF。为了建立一个关于各种免微分算法性能的整体印象,论文还通过一个复杂的递推非线性滤波估计例子,用MonteCarlo仿真实验的方法对7种典型的免微分方法和和传统的EKF算法进行了比较研究。最后对两类免微分方法进行了简单的比较,并指出了进一步研究的方向。

用差分方程模型模拟北京2003年SARS疫情

根据北京2003年SARS疫情发展的实际情况,利用差分方程建立模拟北京疫情发展过程(2003年3月20日至7月14日)的数学模型．建立主要由模拟值与实际统计值之差的平方和构成的目标函数．最后利用Gauss-Newton最优化方法,对模型中参数进行估计．

Maxwell方程反演的小波多尺度方法

研究Maxwell方程电导率的识别问题.主要的难点是目标函数中存在一些局部极小值.将小波多尺度方法应用到Maxwell方程反演过程,通过小波变换,反问题被分解到多个尺度上,于是原反问题可以在子一级的尺度上,由大尺度到小尺度逐级求解.在每个尺度上我们采用稳定、快速的Gauss-Newton迭代法.数值算例的结果显示了这种方法大范围收敛、计算效率高、结果准确,是一种可行的计算方法.