线性高斯状态空间模型估计的简易实现方法

状态空间模型常被用来描述未知量的动态特性以及可观测变量与未知量的关系，它包含了许多常见的时间序列模型，因而为许多问题提供了较一致的分析框架，近年来在经济金融中得到了广泛的应用。当模型是线性和高斯时，称之为线性高斯状态空间模型，

面向阻尼控制的交直流混合系统线性状态空间模型辨识

为将确定性和随机混合系统与实现方法推广应用于包含多回直流的交直流混合系统,并实现自动化的状态空间模型辨识,基于奇异熵和Tanh-Sigmoid饱和函数,提出了一种抗噪能力强、适合密集模态系统的阶次判定方法。在确定阶次的基础上,再根据过去时域、未来时域与阶次关系确定小范围的输入参数测试数据集,并通过比较由各参数获得的辨识模型性能指标,选择出最优的辨识结果。该方法无须人工给定系统输入参数。最后,通过CIGRE Nordic 32母线系统和中国南方电网算例,验证了所提方法的有效性及优越性。

基于重要密度的非高斯状态空间模型的线性化

本文对系统矩阵随时间变化的非中心化状态空间模型,利用其近似模型的重要密度导出了线性化的一般方法,并对三类观察扰动和状态扰动有着不同分布的非高斯模型给出了具体线性化的模型结构。

基于非线性混合效应状态空间模型的粒子滤波

粒子滤波算法是一种用于解决非线性系统问题的新型算法。通常粒子滤波利用重要性重抽样算法,选用先验分布,但是其易受外部观测值影响,从而导致权重变化较大。为此,文中引入辅助粒子滤波算法进行改进,该算法优势在于前一时刻的样本在抽取时以当前的观测数据为条件,这样得到的样本更加接近真实状态。最后,通过仿真实例,进一步分析验证了辅助粒子滤波算法比采样重要性重抽样更为有效。

基于蒙特卡洛方法的线性混合效应状态空间模型

针对线性混合效应状态空间模型中的状态估计问题,提出了一种新的统计推断方法,在假设总体参数已知及个体随机效应未知的情况下,通过卡尔曼滤波算法与序贯蒙特卡洛算法的结合,实现了对模型中状态的估计。最终在实际模型产生的模拟数据的基础上,通过文中所提算法与卡尔曼滤波算法的实例比较,验证了该方法的有效性。

基于自适应空间邻域信息高斯混合模型的图像分割

针对高斯混合模型用于图像分割时仅利用了像素的灰度信息,而忽视空间位置信息,导致在噪声区域和边界处有误分割现象,提出一种自适应空间邻域信息高斯混合模型的图像分割法.该方法定义了一个能够有力抑制噪声点、很好保留边界特性的自适应空间邻域信息函数.在此基础上,设计了每个像素由某个类生成的邻域信息加权概率,并证明了该加权概率满足归一性和空间连续性2个准则;最后,利用EM优化算法给出模型参数E步和M步迭代求解公式.通过人工合成图像与真实图像的实验表明,该方法具有满意的分割效果.

基于空间信息高斯混合模型的运动车辆检测

针对传统的高斯混合模型运动目标检测法仅仅在像素域的时间尺度上对像素进行分类,而忽视空间位置信息,导致在背景图像和场景的动态变化情况下造成误判等问题,提出了一种基于空间邻域加权的高斯混合模型的运动车辆检测方法.该方法首先根据像素的空间尺度上特征信息,定义了一个具有抑制噪声能力的空间信息函数;然后设计了具有空间约束的当前像素由某个类生成的加权概率,并验证了该加权概率满足归一性和空间连续性2个准则;最后,给出了同时考虑像素点空间和时间信息的模型参数更新公式和运动目标检测方法.通过不同气候条件下的城市交通视频序列运动车辆检测试验表明:该方法具有较满意的检测效果与较好的检测正确率与误判率.

基于非线性高斯-赫尔默特模型的混合整体最小二乘估计

针对EIV模型的系数矩阵同时包含固定量和随机量的情况,通过将系数矩阵中的随机量提取出来纳入平差的随机模型,从而将EIV模型表示为非线性高斯-赫尔默特(Gauss-Herlmert,GH)模型形式,推导了混合LS-TLS(least squares-total least squares,LS-TLS)算法及其精度估计公式。算法适用于系数矩阵包含固定列、固定元素和随机元素的一般情况。模拟实例结果表明,混合LS-TLS算法与已有能够解决系数矩阵同时含固定量和随机量的结构性或加权TLS算法的估计结果一致;混合LS-TLS的估计结果统计上要优于LS或TLS估计结果。

可变类空间约束高斯混合模型遥感图像分割

针对传统高斯混合模型(GMM,Gaussian mixture model)难以自动获取类属数和对噪声敏感问题,提出了一种基于可变类空间约束GMM的遥感图像分割方法。首先在构建的GMM中,将像素类属性建模为马尔可夫随机场(MRF,Markov random field),并在此基础上定义其先验概率;结合邻域像素类属性的后验概率和先验概率,定义噪声平滑因子,以提高算法的抗噪性;在参数求解过程中,分别采用可逆跳变马尔可夫链蒙特卡罗(RJMCMC,reversible jump Markov chain Monte Carlo)方法和最大似然(ML,maximum likelihood)方法估计类属数和模型参数;最后以最小化噪声平滑因子为准则获取最终分割结果。为了验证提出的分割方法,分别对模拟图像和全色遥感图像进行了可变类分割实验。实验结果表明提出方法的可行性和有效性。

基于混合高斯输出贝叶斯信念网络模型的设备退化状态识别与剩余使用寿命预测方法研究

提出了基于混合高斯输出贝叶斯信念网络模型的设备退化状态识别与剩余使用寿命预测新方法,将变量消元和期望最大化算法相结合对模型进行推理,应用聚类评价指标对状态数进行优化,通过计算待识别特征向量的概率值来确定设备当前的退化状态,在退化状态识别的基础上,提出了剩余使用寿命预测方法。最后,分别应用50组轴承全寿命仿真数据和3组轴承全寿命实验数据对模型进行验证。结果表明,该模型可有效地识别设备的退化状态并对剩余使用寿命进行预测。

一类非线性振动系统改进状态空间模型及其数值方法

导出了一类非线性振动系统的改进状态空间模型 ,提出了相应的数值计算方法 ,并利用迭代法有效地提高了计算精度。该数值方法与传统的Houbolt、Wilson θ、Newmark β法以及连续线性化模型及其Taylor变换法[3,4 ] 相比 ,具有更高的求解精度和效率。文末给出了非线性单摆、强迫Duffing方程、强迫VanDerPol方程以及两自由度非线性弹簧摆这几类典型非线性方程的数值计算结果 ,并与文献 [5～ 8]进行对比 ,进一步说明了该方法在计算精度和效率两方面的优越性。

运用线性光谱混合模型解析城市绿色空间格局：乌鲁木齐市的实证研究

运用线性光谱混合模型并引入植被景观指数解析乌鲁木齐市绿色空间格局及变化特征,为定量评价干旱区绿洲生态环境提供更精确的方法.结果表明:(1)植被盖度与植被指数整体相关性较好,但植被盖度更能反映像元尺度上植被信息较弱的城市植被景观;(2)13年内,植被丰度整体下降明显,存在郊区绿地面积锐减、建成区绿地破碎化程度加剧及空间分布不协调等发展问题;(3)从建成区植被类型看,中、高丰度植被面积缩减最大,低丰度植被面积变化不大但其破碎化程度最大,以低丰度植被占主导的城市绿地结构单一化趋势明显,城市绿色生态系统较不稳定.

顾及梯度的高斯混合模型在三维属性场空间聚类中的应用

针对高斯混合模型(GMM)在空间聚类中由于忽视目标对象之间的空间关联性而导致的高误判率等问题,本文提出了一种顾及梯度的高斯混合模型:GMM-G,并将其应用在三维属性场的空间聚类中。GMM-G用反映标量场最大属性变化方向的梯度因子来定义邻域规则,设定梯度正交平面所通过的邻域体元更倾向于与中心体元归属于相同或相近的类别;并据此设计了符合归一性和空间连续性的空间邻域信息函数,来定义中心体元属于各类别的具有空间领域规则约束的后验概率。通过对由蒙特卡洛随机抽样构建的实验场的空间聚类结果进行对比表明,相对GMM方法,GMM-G具有更优的聚类精度及效率。最后,把GMM-G方法用于红透山铜矿区可控源音频大地电磁法(CSAMT)三维视电阻率场的空间聚类,得到了与已知岩性划分具有较高匹配度的分类结果,该方法可为物性属性场的岩性划分及地质推断提供相关的依据和参考。

基于高斯混合模型的空间域背景分离法及阴影消除法

运动检测和背景分离技术是智能视频监控系统中的一项关键技术。由于目前广泛使用的高斯混合模型背景分离法是在像素域的时间尺度上对像素进行分类,因此常常造成误判,且无法解决阴影问题。为解决此问题,提出了一种空间域上的背景分离法。该方法首先将像素检测从像素域拓展至空间域的局部窗口内;然后在得到前景点集后,再将此空间域检测思想结合像素亮度特征运用到阴影消除中;最后,对经典模型的部分参数估计方法进行了修改。相关的实验结果证明,该方法可用于提高背景分离的检测精度和实现运动物体阴影消除。

基于高斯混合模型及近似线性规划的风电系统校正控制方法

提出一种基于高斯混合模型及近似线性规划的风电系统校正控制方法。考虑到风电及负荷功率预测误差的非高斯特性及相关性,建立了描述风电及负荷功率联合概率分布的高斯混合模型。考虑切负荷、发电机功率调整以及统一潮流控制器等控制措施,以控制代价最小为目标函数,构建了计及电压、频率及线路潮流等静态安全约束的风电系统校正控制优化问题的数学模型。为求解含不确定变量的非线性优化问题,依据高斯混合模型的性质,在稳态运行点的邻域内将非线性约束近似转化为线性约束,用线性规划方法求解,并不断迭代直至收敛。最后,将该方法应用于修改后的IEEE 10机39节点算例系统验证其有效性,与场景法的对比结果表明该方法求解效率较高,且具有较好的经济性。

基于线性状态空间模型的多工位尺寸偏差流建模与分析

为了解决在传统多工位制造系统中,描述产品尺寸偏差传递的状态空间模型中的系统矩阵隐式表示且存在着非线性因子的问题,在定义零件坐标系、夹具坐标系以及机床坐标系的基础上,用表面方向矢量、定位方向矢量和尺寸矢量描述零件模型及其偏差传递模型,运用齐次变换方法和矩阵理论给出从零件坐标系到夹具坐标系以及从夹具坐标系到机床坐标系的变换方法,得到描述多工位制造系统中的产品尺寸偏差传递的线性状态空间模型及其显式表示的系统矩阵,解决传统状态空间模型的系统矩阵存在非线性因子的问题,建立产品尺寸偏差与各种偏差源之间的关系,增强传统状态空间模型的可用性,并用实例验证模型的有效性。

基于混合高斯模型和空间模糊度的支持向量机算法研究

在提升支持向量机分类算法精度的问题上,提出了一种基于混合高斯模型和空间模糊度的支持向量机算法。该算法通过采用多维混合高斯模型的求带分布密度概率函数的二次规划问题的最优解,减少不同的输入样本数据对分类超平面造成的影响,引入了优化后的空间模糊度因子和空间模糊度函数。在实验仿真上,采用了人工选择的样本数据集和UCI机器学习数据库中的样本数据集进行多次实验,最后通过对比分析的方法突出了算法在分类精度上的优势。

基于分类特征空间高斯混合模型和神经网络融合的说话人识别

该文提出了一种基于分类高斯混合模型和神经网络融合(FS-GMM/NN)的说话人识别方法,通过对特征矢量进行聚类分析,将说话人的训练语音分成若干类。然后根据各个类中含特征矢量的多少采用不同的模型混合度,训练建立分类高斯混合模型。并采用神经网络实现各个分类高斯混合模型输出的融合.在100个男性话者的与文本无关的说话人识别实验中,基于分类高斯混合模型和神经网络融合的方法在识别性能及噪声鲁棒性上都优于不分类的GMM识别系统,并具有较高的模型训练效率,且可以有效地降低话者模型的混合度和测试语音长度。

基于状态空间模型的线性模拟电路BIST方法

本文针对线性模拟电路，提出了一种基于系统状态变量的ＢＩＳＴ方法。该方法将系统的状态、状态变化率及输入信号进行加权求和，以此加权和作为系统的故障检测输出。将其值的大小作为判别依据，可以区分系统的正常与异常状态。此方法具有简单可靠，故障覆盖率高的特点。

一种新的基于高斯混合模型的线性判别分析

Fisher准则函数的前提条件就是假设每类样本数据满足单峰高斯分布,即各类样本在模式空间的分布近似椭球状,但是当训练样本数据较多且呈多峰分布时,传统的Fisher准则函数并不能准确反映样本数据的分布,显然基于Fisher准则函数的线性判别分析得到的最优判别矢量集也不是最优的。针对这种情况,通过引入高斯混合模型的概念,提出了一种新的基于高斯混合模型的线性判别分析方法,同时也给出了在该模型下的最优判别矢量集的直接求解方法,并通过实验证明了该算法的有效性。