基于马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法的时域波达方向估计算法通过构造马尔科夫链的方式来对波达方向进行估计,但是现有的算法在马尔科夫链的收敛速度和结果上并没有表现出很好的鲁棒性。为了优化算法的性能,采用...基于马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法的时域波达方向估计算法通过构造马尔科夫链的方式来对波达方向进行估计,但是现有的算法在马尔科夫链的收敛速度和结果上并没有表现出很好的鲁棒性。为了优化算法的性能,采用多(短)链并行的方式代替原来的长链生成方式,提高了算法收敛的稳定性;并对特定模型下的构造过程进行分析,优化了状态空间,提高了算法的搜索效率;同时结合多混合的MCMC方法,进一步提高了算法估计的精确度和收敛速度。仿真结果表明,改进后的算法对波达方向估计的准确性和实时性都有很大提升。展开更多
提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter,SMC-PHDF)的部分可分辨的群目标跟踪算法.该算法可直接获得群而非个体的个数和状态估计.这里群的状态包括群的质心状态和形状.为了...提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter,SMC-PHDF)的部分可分辨的群目标跟踪算法.该算法可直接获得群而非个体的个数和状态估计.这里群的状态包括群的质心状态和形状.为了估计群的个数和状态,该算法利用高斯混合模型(Gaussian mixture models,GMM)拟合SMC-PHDF中经重采样后的粒子分布,这里混合模型的元素个数和参数分别对应于群的个数和状态.期望最大化(Expectation maximum,EM)算法和马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)算法分别被用于估计混合模型的参数.混合模型的元素个数可通过删除、合并及分裂算法得到.100次蒙特卡洛(Monte Carlo,MC)仿真实验表明该算法可有效跟踪部分可分辨的群目标.相比EM算法,MCMC算法能够更好地提取群的个数和状态,但它的计算量要大于EM算法.展开更多
针对在役埋地管道可靠度评价的难题,建立了基于非接触磁特性参数的埋地管道可靠度马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)定量评价模型。试验材料为L245N钢管试件,预制有不同尺寸缺陷,对不同内压下埋地管件进行非接触磁记...针对在役埋地管道可靠度评价的难题,建立了基于非接触磁特性参数的埋地管道可靠度马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)定量评价模型。试验材料为L245N钢管试件,预制有不同尺寸缺陷,对不同内压下埋地管件进行非接触磁记忆检测,并定量研究试验中缺陷变量与所获非接触磁特性参数之间的相关性,试验表明磁特性参数ΔH(y)和k(x,y)可分别敏感地反映并表征缺陷深度d、缺陷长度L的变化规律,建立了不同压力下ΔH(y)-d和k(x,y)-L非线性回归函数,经优化修正后的最大误差分别为6.07%和8.79%。进一步结合Modified B31G评价标准,在蒙特卡洛(Monte Carlo,MC)法基础上,引入能够反映管道损伤动态时变性的马尔科夫链,建立了基于非接触磁特性参数的埋地管道可靠度(MCMC)定量评价模型。通过算法对比与现场试验,验证了模型的有效性,为在实际工程中、不开挖条件下对埋地管道进行可靠度定量评价,提供了一种新的方法。展开更多
文摘基于马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法的时域波达方向估计算法通过构造马尔科夫链的方式来对波达方向进行估计,但是现有的算法在马尔科夫链的收敛速度和结果上并没有表现出很好的鲁棒性。为了优化算法的性能,采用多(短)链并行的方式代替原来的长链生成方式,提高了算法收敛的稳定性;并对特定模型下的构造过程进行分析,优化了状态空间,提高了算法的搜索效率;同时结合多混合的MCMC方法,进一步提高了算法估计的精确度和收敛速度。仿真结果表明,改进后的算法对波达方向估计的准确性和实时性都有很大提升。
文摘提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter,SMC-PHDF)的部分可分辨的群目标跟踪算法.该算法可直接获得群而非个体的个数和状态估计.这里群的状态包括群的质心状态和形状.为了估计群的个数和状态,该算法利用高斯混合模型(Gaussian mixture models,GMM)拟合SMC-PHDF中经重采样后的粒子分布,这里混合模型的元素个数和参数分别对应于群的个数和状态.期望最大化(Expectation maximum,EM)算法和马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)算法分别被用于估计混合模型的参数.混合模型的元素个数可通过删除、合并及分裂算法得到.100次蒙特卡洛(Monte Carlo,MC)仿真实验表明该算法可有效跟踪部分可分辨的群目标.相比EM算法,MCMC算法能够更好地提取群的个数和状态,但它的计算量要大于EM算法.
基金partly supported by the China Postdoctoral Science Foundation(Grant No.2017M610156)the National Natural Science Foundation of China(Grant No.11501167)the Young Academic Leaders Project of Henan University of Science and Technology(Grant No.13490008)