基于最佳线性无偏预测的精密单点定位方法

卫星导航定位中,卡尔曼滤波是快速处理海量观测数据,精确解算位置坐标的常用方法。为解决实际定位解算时需要计算部分参数的近似值作为先验信息的问题,引入最佳线性无偏预测理论对无先验信息的参数初值进行估计并使用其残差方差代替未知的先验方差参与计算。在静态和动态情形下进行了非差非组合精密单点定位实验并与传统滤波方法进行对比。算例结果表明,基于最佳线性无偏预测的精密单点定位算法可以对无先验信息的参数估计初值和方差信息,且定位精度与卡尔曼滤波一致。

分块线性模型中Bayes线性无偏估计的可加性

得到了βi在线性模型M=(y,X1β1+X2β2,T)下的Bayes线性无偏估计与其在小模型Mi=(y,Xiβi,T)下的Bayes线性无偏估计相等的充分必要条件,i=1,2;并考虑了Xiβi在小模型Mi下的Bayes线性无偏估计之和与Xβ在全模型M下的Bayes线性无偏估计之间的相等关系.

增长曲线模型中的条件最优线性无偏预测

研究了带线性等式约束下增长曲线模型中条件可预测变量的最优预测。考虑了一类特殊的预测函数:Φ-线性预测函数,给出了条件Φ-线性可预测变量和条件最优Φ-线性无偏预测的定义。在一定条件下分别得到了条件最优线性无偏预测和条件最优Φ-线性无偏预测,并证明了它们在几乎处处意义下的唯一性。

可处理多普勒量测的最佳线性无偏估计算法

基于目标位置量测的一些量测转换方法已被广泛使用在目标跟踪应用中,使得卡尔曼滤波器得以在直角坐标系中应用。但是,这些量测转换方法有一些会导致估计性能恶化的根本缺陷。事实上,除了位置量测外,理论计算和实践已经证明,包含目标速度信息的多普勒量测具有有效提高目标状态估计精度的潜力。该文在直角坐标系下提出一种可使用转换多普勒量测(即距离量测与多普勒量测的乘积)的滤波器。从理论上讲,它是在最佳线性无偏估计准则下的最优线性无偏滤波器,并且避免了量测转换方法的根本缺陷。通过将近似处理后的新型最优线性滤波器与目前4种流行的方法进行仿真比较,验证了所提出的滤波器的优越性。

不完全数据最佳线性无偏估计方法

针对工程上存在大量不完全数据的情况,本文建立了不完全数据秩统计量的联合概率密度函数,给出不完全数据顺序统计量的均值、方差和协方差计算公式,提出不完全数据最佳线性无偏估计方法,并对正态分布、Weibull分布等位置-尺度分布进行了详细讨论。该方法能够充分开发利用试验数据中的不完全信息,从而提高不完全数据统计分析的精度。

基于最佳线性无偏估计的双基地雷达定位方法

利用坐标转换后的伪测量值,根据最佳线性无偏估计原理,提出一种双基地雷达目标的定位方法并给出了算法定位误差的Cramer-Rao理论下限表达式,在不同噪声条件下对算法进行仿真计算,结果表明该方法可以显著提高双基地雷达目标的定位精度,其理论下限和仿真结果都明显优于最小二乘方法。

定时截尾数据最佳线性无偏估计方法

提出定时截尾数据最佳线性无偏估计方法。针对工程中常见的位置-尺度分布族,给出定时截尾情况下分布参数的最佳线性无偏点估计公式及其协方差矩阵,得到分布参数的置信区间、百分位值和百分率的点估计及其置信上、下限。详细讨论Weibull分布和对数正态分布定时截尾数据的最佳线性无偏估计问题。与目前工程中常用的极大似然估计(maximumlikelihood estimation,MLE)方法相比,文中方法所得估计量不但在大样本而且在小样本情况下也具有最佳无偏性质,且计算简单、精度高,便于工程应用。

最优加权最小二乘估计与线性无偏最小方差估计性能比较

在给定的线性模型下 ,讨论了最优加权最小二乘估计与线性无偏最小方差估计性能比较 .在噪声方差矩阵可逆条件下 ,可算出线性无偏最小方差估计与最优加权最小二乘估计方差的差表达式 ,并在一定条件下 。

错误先验假定下Bayes线性无偏估计的稳健性

本文基于错误的先验假定获得了一般线性模型下可估函数的Bayes线性无偏估计(BLUE),证明了在均方误差矩阵(MSEM)准则和后验Pitman Closeness(PPC)准则下BLUE相对于最小二乘估计(LSE)的优良性,并导出了它们的相对效率的界,从而获得BLUE的稳健性．

线性模型中Bayes线性无偏最小方差估计的优良性

在均方误差矩阵准则下研究了未知参数的Bayes线性无偏最小方差(Bayes linear unbiasedminimum variance estimator,BLUMV)估计相对于最小二乘(least square,LS)估计的优良性,并讨论了3种不同相对效率的界.在predictive Pitman closeness(PRPC)准则下研究了BLUMV估计相对于LS估计的优良性.

平衡损失下回归系数最优线性无偏估计的相对效率

本文研究了一般Gauss-Markov模型中回归系数的最优线性无偏估计的相对效率问题.利用Lagrange乘数法,获得了回归系数的最优线性无偏估计.并在此基础上定义了最优线性无偏估计的两种相对效率.

平衡损失下Bayes线性无偏最小方差估计的优良性

在平衡损失风险函数准则下研究了未知参数的Bayes线性无偏最小方差(BLUMV)估计相对于最小二乘(LS)估计的优良性.在predictive Pitman closeness(PRPC)准则下研究了BLUMV估计相对于LS估计的优良性.

基于最优线性无偏估计的TDOA定位算法

为了减小到达时间差(time difference of arrival,TDOA)方法在定位过程中存在的系统测量噪声和非视距误差,提出了一种基于最优线性无偏估计的TDOA定位算法。该方法首先利用Chan算法计算定位初始位置,在初始位置处泰勒级数展开得到位置估计量的线性模型,并求取误差加权矩阵、系数矩阵及协方差矩阵等参数;然后采用加权最小二乘法对最终位置进行最优无偏估计,同时推导出定位误差的最小方差阵。仿真实验结果表明,在相同环境下该算法的定位精度优于Chan和Taylor算法,同时显著减小了算法的运算量。

遗传值最佳线性无偏预测及其在树木育种中的应用

该文回顾了林木遗传值最佳线性无偏预测的研究历史；介绍了其原理、性质和各种简化预测形式；并以泡桐为例，讨论了林木育种中预测遗传值的有关问题。

一般线性回归模型最佳线性无偏估计的影响分析

讨论一般线性回归模型的影响分析问题,研究了协方差矩阵扰动和数据删除对最佳线性无偏估计的影响,给出了度量影响大小的距离测度和它的计算公式.

不完全区间数据最佳线性无偏估计方法

建立了不完全区间数据秩统计量的概率密度函数和联合概率密度函数,给出了其平均秩、中位秩和百分位秩以及不完全区间数据统计量的均值、方差和协方差计算公式.在此基础上,针对位置-尺度分布族提出一种不完全区间数据最佳线性无偏估计方法,得到了其百分位值的置信限估计,并对工程中常见的极值分布、两参数Weibull分布、正态分布进行了详细讨论.

Bayes线性无偏估计的稳健性

考虑Bayes线性无偏估计关于误差分布的稳健性,给出误差项ε的最大分布类,使得误差项ε的分布在此范围内变动时,Bayes线性无偏估计都是最优估计.

矩阵损失下贝叶斯线性无偏估计及其稳健性

证明了,在一般线性模型中,未知参数在二次损失下的贝叶斯线性无偏估计也是矩阵损失下的贝叶斯线性无偏估计.讨论了贝叶斯线性无偏估计关于误差分布的稳健性,给出了未知参数的贝叶斯线性无偏估计是最优估计的充分必要条件.

平衡损失下回归系数的最优线性无偏估计

在平衡损失函数下得到了回归系数的最优线性无偏估计,结果表明平衡损失下的最优线性无偏估计就是线性模型中回归系数的最小二乘估计.

Bayes线性无偏最小方差估计相对于岭估计的优良性

在均方误差矩阵准则下研究了未知参数的Bayes线性无偏最小方差(BLUMV)估计相对于岭估计的优良性,在平衡损失风险函数准则下研究了未知参数的BLUMV估计相对于岭估计的优良性,并导出了在一定条件下BLUMV估计与最小二乘估计趋于一致.