一种基于稀疏贝叶斯学习的离网DOA估计算法

本文提出一种基于稀疏贝叶斯学习的改进离网DOA估计算法,以提升非理想测向环境下在低信噪比、低快拍数时的DOA估计性能,称之为MOGSBL算法。本算法将信号源方位区间进行离散化,得到方位离散网格。为阵列接收信号建立稀疏贝叶斯模型,将网格节点修正量设为模型超参数。采用期望最大化算法迭代更新网格节点修正量,使更新后的网格节点更接近真实源信号方位。为了检验MOGSBL算法的性能,本文进行了大量的数值实验,并将MOGSBL算法的DOA估计结果与RSBL算法、OGSBL算法和L1-SVD算法进行对比。在不同信噪比和不同快拍数时,MOGSBL算法均能清晰分辨方位很接近的两个信号源,角度分辨率明显高于RSBL算法、OGSBL算法和L1-SVD算法。随着信噪比和快拍数的增加,4种算法的RMSE均逐渐减小。但MOGSBL算法的RMSE明显低于RSBL算法、OGSBL算法和L1-SVD算法,且RSBL算法、OGSBL算法优于L1-SVD算法。实验还分析了方向测试范围的离散网格节点数对DOA估计的影响,发现细密的离散网格可以提高DOA估计精度,但DOA估计的计算量会增加。且在任意网格节点数时,相比于RSBL算法、OGSBL算法和L1-SVD算法,本文的MOGSBL算法均具有最低的RMSE和最短的计算时间。

基于共同稀疏贝叶斯学习的多频等效源近场声全息方法

现有基于压缩感知的等效源近场声全息方法通常采用基于单频处理的单测量向量模型进行声场重建,此模型存在噪声鲁棒性较差以及重建精度不足的问题。实际中噪声源往往具有宽频特征,同一位置处不同频率的等效源源强聚集从而呈现共同稀疏特性,若充分利用源强的共同稀疏特性,可以改善重建性能。因此,提出一种基于共同稀疏贝叶斯学习的多频等效源近场声全息方法。在该方法中,首先采用多频协同处理,构建多频等效源近场声全息模型;然后为等效源源强施加共同稀疏约束,并使用共同稀疏贝叶斯学习方法求解等效源源强。与单频等效源近场声全息方法相比,所提方法可以获得更高的重建精度和更好的噪声鲁棒性。通过单极子声源仿真和小音箱试验验证了所提方法的优越性。

一种朴素贝叶斯学习辅助的接触图路由算法

接触图路由(CGR)是星际网络路由协议中的一个重要组成部分,星际网络中节点易受电磁干扰或自身资源不足影响而失效,高度依赖先验知识的接触图路由在节点意外失效时通信性能会急剧恶化。针对上述问题,提出了在接触图路由中引入朴素贝叶斯学习模型来预测节点可靠性的方法。首先根据接触图路由的特点建立节点快照;然后基于节点快照进行朴素贝叶斯建模,预测节点间的不可靠性概率;最后在路由决策时考虑不可靠性概率,选择不可靠性小的节点转发数据。实验结果表明,引入朴素贝叶斯学习可以有效提高接触图路由在恶劣的太空环境中应对节点意外失效的能力,实现对数据的高效传输。

基于稀疏贝叶斯学习的大规模多用户检测算法

针对现有算法大都基于高斯逆伽马先验模型的稀疏贝叶斯学习(GIG-SBL),忽略了稀疏解所对应的支撑集向量稀疏性的问题,提出一种基于伯努利高斯逆伽马先验模型的稀疏贝叶斯学习(BGIG-SBL)架构,通过引入一个伯努利先验的二元向量,设计了单测量向量(SMV)的BGIG-SBL-SMV算法,结合支撑集向量的稀疏性提高重构性能。进一步将该算法扩展到多测量向量(MMV)方案,通过共享相同控制稀疏解的超参数,利用MMV的联合稀疏性提出BGIG-SBL-MMV算法。实验结果表明,所提BGIG-SBL-SMV算法相较于传统GIG-SBL-SMV算法,在mMTC用户检测场景可实现2 dB的性能增益;同时,所提BGIG-SBL-MMV算法相对于单测量向量BGIG-SBL-SMV算法,用户检测率和数据检错率的性能增益可达到4 dB,证明了所提算法的优越性。

基于稀疏贝叶斯学习的稳健STAP算法

为了提高阵列幅相误差和格点失配情况下稀疏恢复空时自适应处理(sparse recovery space-time adaptive processing,SR-STAP)算法的性能,提出一种基于稀疏贝叶斯学习的稳健SR-STAP算法。首先,利用空时导向矢量的Kronecker结构构建SR-STAP误差信号模型;然后,利用贝叶斯推断和最大期望算法迭代求取角度多普勒像和误差参数;最后,利用求解参数估计精确的杂波加噪声协方差矩阵并计算权矢量。仿真实验表明,所提算法能够显著提高稀疏信号模型失配时的目标检测性能。

宽带声源方位估计的多频稀疏贝叶斯学习改进算法

在对空气中未知的宽带声源的波达方向进行估计时,麦克风阵列的阵元间距很容易大于声信号半波长而出现栅瓣,严重影响估计效果。尽管多频带数据的使用在一定程度上可以抑制栅瓣产生,但目前的方法抑制效果比较一般而且计算效率不高。在稀疏贝叶斯学习基础上,提出了一种针对宽带声源方位估计的改进方法。这种方法将超先验引入到传统的多频稀疏贝叶斯估计模型中,然后同时利用声源信号在多个频带上具有的相同空间角度稀疏性并结合期望最大化算法重新推导了多频稀疏贝叶斯模型中各相关参数的迭代形式。与此同时,考虑到实际场景中的声源方位通常不位于稀疏网格上,离网格修复模型也被加入设计框架中,以解决该问题。为验证算法性能,开展了仿真实验和场地实验。结果表明,相比最近提出的基于l_(1)最小化的多频压缩感知方法和宽带的多频稀疏贝叶斯学习方法,提出方法能更好的利用宽带声源的多频特性以降低栅瓣的干扰,同时具有更高的估计精度和计算速度。在现场实验中,改进方法表现了优于其他先进方法的栅瓣抑制能力,声源方位估计误差可达0.09°,所需迭代收敛步数相比MF-SBL减少约50%。

基于频域信息融合和稀疏贝叶斯学习的高分辨ISAR成像

为了在ISAR成像中更好地压制噪声,消除条纹干扰,提高成像分辨率,本文提出一种基于双向插值处理和频域信息融合的稀疏贝叶斯学习算法,称之为BI-FF SBL算法。该方法首先对回波信号分别进行径向和横向插值预处理,将预处理得到的两份数据通过LA-VB算法进行ISAR成像;然后将得到的两幅ISAR图像通过二维傅里叶变换进入频域,并将两个二维频谱进行信息融合处理,以消除噪声和条纹干扰的相关信息并保留目标结构信息;最后对融合处理后的频谱进行二维傅里叶逆变换,得到最终的ISAR图像。为了验证BI-FF SBL算法的ISAR成像效果,本文进行了基于仿真数据和实测数据的成像实验,并将实验结果与R-D算法、L1-BP算法、LA-VB算法进行对比,发现BI-FF SBL算法在压制噪声和去除条纹干扰方面具有明显的优势,且能提供分辨率更高的ISAR图像。当实验数据信噪比降到0 dB时,BI-FF SBL算法依然能够提供清晰的ISAR图像,明显优于其他三种算法。测试超分辨重构误差的实验结果表明,相比于L1-BP算法和LA-VB算法,BI-FF SBL算法的重构误差更低,在实验数据信噪比为0 dB时,重构信噪比可以达到13.55 dB。

双层稀疏贝叶斯学习ISAR超分辨成像算法

传统贝叶斯成像常采用拉普拉斯分布进行成像特征表征,易使得成像结果过稀疏而容易丢失部分弱散射的结构特征,进而影响逆合成孔径雷达(inverse synthetic aperture radar,ISAR)成像精度提升。为实现高精度ISAR超分辨成像,本文采用伯努利拉普拉斯混合稀疏先验对目标统计特性进行概率建模,利用双层稀疏对目标先验进行统计约束,从而有效模拟目标散射场统计先验。并在贝叶斯层级模型下,通过引入隐变量建模的方式对先验进行分层构建,在解决先验分布与高斯似然函数不共轭问题的同时简化贝叶斯推断,降低模型复杂度。为避免繁琐的手动参数调整,实现超参数的自调节,本文对各随机变量建立条件概率依赖模型,并利用马尔可夫链蒙特卡罗随机模拟估计算法解决高维积分和后验分布难以求解的问题,实现相关超参数的统计估计,提升算法自学习能力。仿真和实测数据均证明本文所提方法具有有效性和优越性。

不确实环境下基于稀疏贝叶斯学习的声源定位方法

稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)应用于水声领域,显示出了较传统方法的优势,但是针对不确实环境下声源定位的研究较少。文章通过SBL方法估计简正模态和本征值,实现了海底参数未知情况下的拷贝场构建,从而缓解匹配场处理对环境先验的依赖。仿真研究实现了海底参数未知情况下的匹配场定位,并证明了SBL相较于已有方法的独特优势。

基于变分稀疏贝叶斯学习的DOA估计

针对传统稀疏贝叶斯学习的DOA估计算法复杂度较高、收敛速度较慢等问题,提出了一种基于变分稀疏贝叶斯学习的DOA估计算法。首先通过空间网格划分方式建立基于稀疏表示的DOA估计信号模型;其次在此模型基础上为未知待估计参数指定先验分布,得出稀疏信号的后验概率分布;然后利用变分贝叶斯学习算法,通过最小化KL散度寻求后验概率分布的近似分布;最后估计出未知参数,并得到信号的DOA估计值。根据MATLAB仿真图的结果,该算法成功估计出信号的DOA,并达到了预期效果。与传统稀疏贝叶斯学习算法相比,该算法单快拍下具有更高的DOA估计精度以及更快的收敛速度。

稀疏信道下基于稀疏贝叶斯学习的精简星座盲均衡算法

针对稀疏信道的盲均衡问题,在精简星座均衡算法框架下建立线性模型,利用稀疏信道下均衡器固有的稀疏特性,引入具有稀疏促进作用的先验分布对均衡器系数加以约束,使用稀疏贝叶斯学习方法迭代求解均衡器系数得到最大后验估计值。该文提出的均衡方法属于数据复用类均衡算法的范畴,能够适用于数据较短的应用场合。与随机梯度方法相比,算法性能受均衡器长度影响较小,收敛后误符号率性能更好,仿真实验验证了算法的有效性。

基于稀疏贝叶斯学习的高效DOA估计方法

针对采用l 1范数优化的稀疏表示DOA估计算法正则化参数选取困难、计算复杂度高的问题,该文提出一种基于稀疏贝叶斯学习的高效算法。该算法首先利用均匀线阵的结构特性,将DOA估计联合稀疏模型的构建与求解转换到实数域进行。其次,通过优化稀疏贝叶斯学习的基消除机制,使该算法具有更快的收敛速度。仿真结果表明,与l 1范数优化类算法相比,该文方法具有更高的空间分辨率和估计精度且计算复杂度低。

贝叶斯学习、贝叶斯网络与数据采掘

自从50～60年代贝叶斯学派形成后,关于贝叶斯分析的研究久盛不衰。早在80年代,贝叶斯网络就成功地应用于专家系统,成为表示不确定性专家知识和推理的一种流行方法。90年代以来,贝叶斯学习一直是机器学习研究的重要方向。

多智能体代理下电力双边谈判中的模糊贝叶斯学习模型

在基于多智能体(multi-Agent)代理技术的电力双边谈判中,提高Agent的环境自调节能力对提高谈判效率有着重要意义。该文通过将贝叶斯学习模型引入到基于Agent环境下的电力双边谈判中来赋予Agent学习的能力,使其能够根据动态环境调整自我认识,从而达到提高谈判效率的目的。与此同时,考虑到谈判环境的模糊不确定性,分别运用模糊集和模糊概率理论构建Agent的模糊贝叶斯学习模型,并给出在这种环境下Agent的点报价策略和区间报价策略。最后结合算例证明,谈判双方在都采取模糊贝叶斯学习情况下的谈判效率要比一方或双方都不采取贝叶斯学习情况下的谈判效率要高,而双方采取区间报价策略能有效缩减谈判时间,为决策者提供了更有弹性的决策空间。

基于稀疏贝叶斯学习的个人信用评估

针对传统信用评估方法分类精度低、特征可解释性差等问题,提出了一种使用稀疏贝叶斯学习方法来进行个人信用评估的模型(SBLCredit)。SBLCredit充分利用稀疏贝叶斯学习的优势,在添加的特征权重的先验知识的情况下进行求解,使得特征权重尽量稀疏,以此实现个人信用评估和特征选择。在德国和澳大利亚真实信用数据集上,SBLCredit方法的分类精度比传统的K近邻、朴素贝叶斯、决策树和支持向量机平均提高了4.52%,6.40%,6.26%和2.27%。实验结果表明,SBLCredit分类精度高,选择的特征少,是一种有效的个人信用评估方法。

基于RMM和贝叶斯学习的城市交通多智能体系统

提出一种基于递归建模方法 (RMM)的多智能体协调方法 ,使智能体在分布式环境下对其它智能体的决策建模选择合理的行动。对 RMM中的信念更新采用贝叶斯学习方法 ,使智能体可以确定其它智能体的准确模型并实时更新信息。在城市交通控制领域建立多智能体交通控制系统 ,仿真结果表明了该方法的有效性 ,对实现智能交通系统具有重要意义。

基于Zeuthen决策与贝叶斯学习的发电权双边交易模型

能源供应紧张与环境污染严重是中国社会的基本现状,通过发电权交易,可在一定程度上缓解能源与环境问题,同时也为发电权买卖双方创造了获取额外利润的可能性。买卖双方为了获得更高的收益,均希望交易价格趋向己方的期望,由此构建了发电权交易双方的谈判模型。首先,双方针对先验知识估算对方的交易底线,并结合对方的报价对对方的交易底线进行贝叶斯学习,更新对方交易底线的概率分布。其次,基于Zeuthen决策对比双方的最大风险接受度,并作出保持原有报价或者按最小让步幅度改变报价的决策。最后,通过多轮谈判,双方报价将逐步收敛形成交易价格。研究结果表明,交易价格接近纳什积最优解,与谈判的理论最优结果较为一致。

基于稀疏贝叶斯学习的双基雷达关联成像

双基雷达具有隐蔽性高、抗干扰性能强等优点,在现代电子战中发挥重要作用。基于雷达关联成像原理,该文研究运动目标双基雷达关联成像问题。首先,针对采用均匀线性阵列作为收发天线的双基雷达系统,在发射随机频率调制信号条件下,分析运动目标雷达回波信号特点,建立双基雷达关联成像参数化稀疏表征模型;其次,针对建立的参数化稀疏表征模型,提出一种基于稀疏贝叶斯学习的迭代关联成像算法。该算法在建立贝叶斯模型基础上,通过贝叶斯推理,得到稀疏重构信号,从而实现对运动目标成像和运动参数的精确估计。最后,通过仿真实验验证所提方法的有效性。

基于稀疏贝叶斯学习的稀疏信号表示ISAR成像方法

作为一种新的稀疏信号表示算法,SBL(稀疏贝叶斯学习)方法没有BP方法的结构错误,也比FOCUSS方法具有少的多的局部最小点.ISAR成像问题可以转化为稀疏信号表示的问题,因此本文首次将SBL用于ISAR成像.真实数据的成像结果表明SBL是一种比BP和FOCUSS更有效的ISAR成像算法.

基于稀疏贝叶斯学习的无源雷达高分辨成像

针对无源雷达压缩感知成像,该文提出一种基于稀疏贝叶斯学习的高分辨成像算法。基于一次快拍模式下的无源雷达回波模型,文中首先考虑目标散射系数的统计特性及其对微波频率的依赖关系,将无源雷达成像转化为MMV(Multiple Measurement Vector)联合稀疏优化问题;然后对目标建立了级联形式的稀疏先验模型,并利用稀疏贝叶斯学习技术进行求解。相比之前基于目标确定性假设的稀疏恢复方法,所提算法更好地利用了目标的统计先验信息,具有能够自适应调整参数(目标模型参数和未知噪声功率)和高分辨反演目标等优点。仿真结果验证了该算法的有效性。