一种基于改进PSO的随机最大似然算法

随机最大似然算法(Stochastic Maximum Likelihood,SML)具有优越的波达方位(Direction-of-Arrival,DOA)估计性能,但SML解析过程较高的计算复杂度限制了该算法在实际系统中的应用.针对SML计算复杂度高的问题,提出一种低复杂度的粒子群优化算法(Particle Swarm Optimization,PSO),解决了传统PSO算法中粒子数多和迭代次数多的双重缺点.首先,根据天线获得的信号,将旋转不变子空间法(Estimation of Signal Parameters via Rotational Invariance Techniques,ESPRIT)求得的闭式解作为DOA的预估计值,同时计算系统此时的信噪比以及SML在此信噪比下的克拉-美罗界(Cramer-Rao bound,CRB).然后,根据DOA预估计值和当前CRB值在SML最优解的近邻范围内确定较小的初始化空间,并在该空间初始化少量粒子.最后通过设计合适的惯性因子w,使粒子以合理的速度搜索最优解.实验结果表明,改进PSO算法所需的粒子个数和迭代次数大约是传统PSO算法的1/5,降低了SML的解析复杂度,计算时间是传统PSO算法的1/10,因此在收敛速度上也有显著的优势.

非线性再生散度随机效应模型的极大似然估计及随机逼近算法

非线性再生散度随机效应模型包括了非线性随机效应模型和指数族非线性随机效应模型等．通过视模型中的随机效应为假想的缺失数据和应用Metropolis-Hastings(简称MH) 算法,提出了模型参数极大似然估计的随机逼近算法．模拟研究和实例分析表明了该算法的可行性．

基于限定PSO初始化空间的随机最大似然算法

针对随机最大似然算法(SML)在波达方位(DOA)估计中由于多维非线性优化导致计算复杂度大的问题,提出一种限定粒子群(PSO)算法搜索空间的SML算法。该算法克服了一个缺陷,即在采用ESPRIT算法限定PSO初始化空间时,在阵列结构是非均匀线性阵列而且信号是相干信号时ESPRIT算法不能直接处理信号,且需要采用一组预处理技术,这增加了算法计算的复杂度。提出的算法的关键之处在于采用假设技术确定初始化点来代替ESPRIT算法的解,结合克拉美罗界(CRB)确定PSO算法的初始化解空间。这一方法不必再采用预处理技术,且利用限定PSO初始化空间的算法大大降低了SML算法的计算复杂度。实验结果表明,提出的算法为相干情况和非相干情况都提供了相当好的初始值。最后,将该算法与许多现有算法进行比较,验证提出算法的有效性和准确性。

航天湍流退化图像的极大似然估计规整化复原算法

为了从有噪的湍流退化图像中有效地恢复出目标图像,提出了一种基于极大似然估计准则的规整化复原算法.根据图像随机场模型建立了有关多帧图像数据的对数似然函数,同时为了平滑噪声和保护图像边缘以及避免无价值的解,将一些合理的惩罚项和辅助平滑项融合到该对数似然函数中.推导出了湍流点扩展函数和目标图像的交替迭代求解公式,通过迭代方式可将点扩展函数和目标图像同时估计出来,给出了算法的并行处理方案.在微机上对强噪声条件下的湍流退化图像进行了恢复实验,实验结果表明本算法具有较强的抗噪能力和实用价值.

膜计算优化随机最大似然DOA快速估计方法

随机最大似然算法(SML)是一种优秀的波达方位(DOA)估计算法,但SML解析过程中极其繁重的计算复杂度制约了该算法在实际系统中的应用。针对SML计算复杂度高的问题,提出了一种融合膜计算(MC)的随机最大似然算法。首先利用膜计算的优化框架将SML算法的解空间进行膜划分,划分为基本膜和表层膜;然后在每个基本膜内并行采用粒子群算法(PSO)进行局部寻优,同时将基本膜区域内的局部最优解送至表层膜进行全局优化;最后在表层膜区域中采用人工蜂群优化算法进行全局最优解的搜索。实验结果表明,本文算法极大地降低了SML的解析复杂度,计算时间较常用的GA、AM和PSO算法提高了超过10倍,在收敛速度方面具有显著的优势,且测向精度优于传统空间谱算法。

基于滤波极大似然随机梯度的弃风电量预测（英文）

研究了一类Hammerstein有限脉冲响应模型的建模方法,并用于风电场弃风电量预测领域。采用极大似然估计律对似然方程进行最小化,同时为了减少有色噪声对建模过程的干扰,结合极大似然估计方法和滤波过程,将原本耦合的非线性模型转变为独立参数的辨识模型,进而推导了一类基于滤波的极大似然随机梯度辨识算法,并将该方法用于风电场弃风电量的预测领域。仿真结果表明提出的算法可以精确的辨识实际风电场的风电功率特性曲线,并能很好的预测风电场的弃风电量情况,具有很强的实用性。

基于最大后验估计的编码孔图像重建算法

图像重建算法对编码孔伽马相机的成像性能有重要的影响,然而广泛使用的最大似然期望最大化(MLEM)算法无法在较强干扰背景下有效抑制图像中的噪声,当超过一定迭代次数后,图像信噪比会逐渐降低。针对MLEM算法的这一“病态性”问题开展了研究。首先将最大后验估计(MAP)算法应用于编码孔图像重建,接着分析了算法中Gibbs先验函数的邻域大小和权值系数等关键参数的选取方法。然后使用编码孔相机开展了成像实验,对比了MLEM算法与MAP算法对22Na点源的图像重建结果。结果表明,在300~1 200次迭代下,MLEM重建图像中出现了明显的噪点,且随着迭代深入图像质量逐渐变差;而MAP重建图像没有出现明显噪点,重建图像的平均梯度相较于MLEM降低了26.45%~49.16%,对比度噪声比(CNR)提升了42.32%~351.07%。另外,对比了3×3和5×5邻域大小时的多点源图像重建结果,结果显示,邻域过小会导致重建图像的热点亮度降低,与理论分析结果一致。最后,分别对比了MLEM与MAP算法在较远距离和较强干扰两种场景下的成像结果,MAP算法均表现出更好的信噪比性能。

似然函数和随机滤波的点云去噪方法研究

在获取物体的三维点云数据时,通常采用线结构光扫描的方法,但是在测量过程中不可避免的会产生不合理的噪声点。从而在进行曲面重构时,会导致重构的曲面不够光滑,进而会影响三维扫描物体重构的精确性,因此有必要对扫描数据进行去噪处理。噪声点产生的原因有很多,大部分噪声点具有幅值大,影响因素多的特点,所以利用似然估计函数得到采样局部最大值点,确立点云数据的聚类中心,使原始点云数据收敛为一个稳定的三维数字模型,然后采用随机滤波的方法,通过比较连续点之间的相对位置,给定一个数值,把位置变化较大的点判定为噪声点予以去除,从而达到点云去噪的目的。通过对普通计算机硬盘的扫描和点云去噪处理验证了方法的可行性。

EM算法对缺失数据极大似然估计的实证研究

用EM方法对缺失数据进行极大似然估计是处理缺失数据的一种基本方法。 本文在介绍基于EM的极大似然估计方法基础上,对一类随机缺失数据集用EM方法进行补齐,结果表明在10%、20%、30%三种不同缺失率下,EM方法进行缺失数据补齐的相对误差均小于0.1,呈现出低缺失率情况下的高准确性的特点。进一步将EM方法应用于对实际问卷调查中的缺失数据进行补齐,对补齐前后调查结果的影响进行了分析。

一种改进的MLESAC基本矩阵估计算法

为提高基本矩阵估计精度,提出一种改进的随机抽样最大似然估计算法。根据对极距离选择质量较好的原始数据,采用随机抽样一致性方法进行抽样,选择内点数最多的基本矩阵检验原始数据,剔除误差大的匹配点,结合约束条件对匹配集进行检验,以提高匹配集精度。实验结果表明,该算法的估计精度较高,稳定性较好。

基于改进EM算法的多重威布尔可靠性建模

以两参数威布尔分布为多重威布尔混合模型的基函数,建立了以极大似然函数为目标的参数估计优化模型,并改进了求解优化模型的EM算法。改进EM算法中提出贝叶斯随机分类方法,用于初始化算法中的待估计参数。采用径向基函数插值法求解EM算法极大化步中的超越方程组,并通过实际算例对比分析了改进EM算法与传统算法的准确性。给出了用改进EM算法求解多重威布尔混合模型参数的具体算例,分析了多重威布尔混合模型的逼近性能。针对国内同期出厂的10台某型号冲压机床,通过现场跟踪获取其初期故障样本数据,运用多重威布尔混合模型研究可靠性数据分布规律,并研究了KS检验统计量Dmax与威布尔混合模型重数N之间的关系。应用案例表明,4重混合威布尔模型更能准确地反映冲压机床早期可靠性的实际分布规律。

随机波动模型估计及在金融风险防范中的应用

对随机波动 (SV)模型提出了一种基于禁忌遗传算法的伪极大似然 (TSGA- QML )估计 .Monte Carlo试验表明这种方法在参数估计与波动估计上都有较好效果 .利用这一方法对上海股市收益进行了波动分析 ,发现上海股市的收益具有很高的波动持续性 .

非线性再生散度随机效应模型的极大似然估计及EM算法

非线性再生散度随机效应模型是指数族非线性随机效应模型和非线性再生散度模型的推广和发展.通过视模型中的随机效应为假想的缺失数据和应用Metropolis-Hastings(MH)算法,提出了模型参数极大似然估计的Monte-Carlo EM(MCEM)算法,并用模拟研究和实例分析说明了该算法的可行性.

基于模拟退火算法的三维人脸匹配方法

基于模拟退火算法,利用深度信息对三维人脸进行匹配和识别。通过具有全局优化能力的模拟退火算法搜索获取全局极值,选择合适的适应度函数MLESAC和SIM控制匹配过程获得识别结果。基于"由粗到细"的思想,分3步匹配三维人脸,并对精准匹配阶段进行改进,通过选择合适的区域和分类器能够更好地应对表情的影响。实验结果表明,模拟退火算法跳出了局部最优解而获得了全局优化解,同时通过选择MLESAC和SIM作为不同匹配阶段的适应度函数能够有效控制匹配过程,提高了识别精准率。

两种删失数据情形下基于EM算法的指数分布的参数估计

主要讨论了在数据随机删失和数据分组与右删失两种情形下指数分布的参数估计问题,并用EM算法对参数进行了估计。

一类特殊随机截尾试验下几何分布参数的点估计

利用极大似然法(ML)和EM算法研究了一类特殊随机截尾试验下几何分布参数的极大似然估计。给出了参数MLE的存在唯一性证明和参数的EM迭代公式。利用Louis算法得到了EM估计的渐近方差.随机模拟的结果表明MLE和EM估计的精度较高,两者的差别非常小。

一类特殊随机截尾试验下指数分布的参数估计

利用极大似然法(ML)和EM算法研究了一类特殊随机截尾试验下指数分布参数的极大似然估计和渐进置信区间.给出了参数的EM迭代公式,根据缺损信息原则得到了Fisher观察信息,构造了参数的bootstrap置信区间.随机模拟的结果表明:估计的精度较高,ML法和EM算法几乎一样,渐进置信区间和bootstrap置信区间的差别不大.

系数随机的多元线性回归模型的参数估计

对一般系数随机的带有相关因子的多元线性回归模型的参数进行估计。估计值是用EM算法给出的极大似然估计或约束的极大似然估计。给出了EM算法的具体公式,并利用bootstrap方法估算出这些估计值的精确度。最后通过一判别儿童总体中是否存在Catch-Up生长的例子以解释给出的方法。

迭代迫零多用户检测算法研究与应用

最优的最大似然多用户接收机的复杂度随用户数成指数增长,传统的Rake接收机干扰受限且存在远近效应。次优的线性多用户检测是性能和复杂度的折衷,其中,迫零联合检测多用户接收机属于一种线性解相关接收机,虽然避免了对数据符号矢量的穷举搜索,大大减少了计算量,但是由于其基本运算中包含了随机矩阵的求逆运算,而矩阵求逆运算对于硬件定点实现的舍入误差非常敏感,有时会产生很大的误差甚至无解。考察比较了迫零检测接收机的四种迭代算法。对其复杂度进行了分析和仿真,结果表明Gauss-Siedel是一种收敛速度较快,时间复杂度较低的迭代算法。

基于层次随机图模型的脑网络链路预测

针对一般链路预测算法在具有层次结构的脑网络中计算效率低且复杂度高的问题,提出了一种基于最大似然估计的层次随机图模型。该算法首先利用脑网络数据建立层次随机图;然后通过改进的马尔可夫蒙特卡罗算法采样树状图空间;最后计算脑网络边的平均连接概率,且通过评价指标对算法进行评价。实验结果表明,利用该算法对脑网络和三种不同的层次结构网络进行链路预测比较,脑网络的预测结果最好。此外,与传统的基于相似性的算法相比,所提出的算法效果明显,且具有理想的计算复杂度。