混合高斯自回归模型参数估计方法之LS-EM

混合高斯自回归模型对有色非高斯数据的概率密度和功率谱密度进行有效的拟合,而LS-EM算法则可解决这一模型的参数估计问题.描述了混合高斯自回归模型及其参数估计问题之后,导出了具体的LS-EM算法,并给出了一组仿真实例.这是一种参数耦合估计算法,首先基于传统的最小二乘技术得到功率谱密度参数粗估计,进行预白,然后应用EM迭代得到白激励的概率密度估计,并基于此构建一加权函数,以此权函数改进最小二乘算法,进而得到模型参数的精估计.

混合高斯自回归模型参数估计方法之ML-DC

混合高斯自回归模型可以对有色非高斯数据的概率密度和功率谱密度进行有效的拟合.而ML-DC算法则可解决这一模型的参数估计问题。描述了混合高斯自回归模型及其参数估计问题之后,分别导出了功率谱密度参数的最大似然估计和概率密度参数估计的动态簇算法,并由此组成了参数耦合估计的ML-DC算法。最后结合一组仿真实例对其估计性能进行了详细探讨,指出并解释了算法的适用范围。

GPFR混合模型的动态模型选择算法

作为一种有效的数据建模和分析工具,高斯过程混合(MGP)模型被广泛地应用于时间序列的分析与预测,并成为一种新的机器学习模型。在传统的MGP模型中,高斯过程(GP)的均值被假设为零,这给其应用带来了很大的局限性,因此人们提出了可进行均值函数学习的高斯过程函数回归(GPFR)模型及其混合模型(MGPFR)进行更为精细的数据建模。与MGP模型一样,MGPFR模型同样存在着模型选择的问题。为了解决MGPFR模型的模型选择问题,本文将同步平衡准则进行了推广,并提出了相应的模型选择和动态模型选择算法,并通过实验发现了惩罚项系数的合理区间。实验表明,这些算法在模型选择和预测上均有很好表现,并且能够有效地应用于曲线聚类。

有色非高斯背景下微弱信号的Rao有效绩检验

混合高斯Rao有效绩检验是实现有色非高斯背景下微弱信号检测的渐近最佳检测器,预白化和高斯化技术的应用使得它的检测性优于传统的匹配滤波器.在使用混合高斯自回归模型描述检测问题之后,基于功率谱密度和概率密度参数估计,引入预白化和高斯化滤波器,构建起模块化的、实用的混合高斯Rao有效绩检测器.然后对其检测性能进行了深入分析,揭示了预白化和高斯化技术改善检测性能的机理所在.最后给出了一组湖试数据检测实例.

基于GPR-PSO模型的永磁同步电机气隙磁密波形优化

为了使永磁同步电动机气隙磁密波形具有良好的正弦性,以气隙径向磁密波形的谐波畸变率为目标,磁钢的偏心距、极弧系数、磁钢厚度以及磁钢的充磁方向为因素变量进行优化。引进了正交实验设计的方法合理地安排了实验因素变量的搭配,利用有限元软件ANSYS Maxwell2D仿真分析得到数据样本集,采用了高斯混合回归模型(GPR)对数据样本集进行拟合,得到拟合回归模型。采用方差分析方法分析了各个因素对于谐波畸变率的影响的程度。将拟合回归函数作为适应度函数,通过粒子群算法(PSO)寻优,得到最优的磁钢参数。以一台48槽8极的永磁同步电动机为例进行仿真实验,结果表明,通过GPR-PSO模型的方法可以有效降低永磁同步电机的气隙磁密波形畸变率,使波形得到良好的改善。

混响背景下GTM回波检测算法研究

为改善混响背景下传统匹配滤波算法效果不佳问题,在分析其非平稳性、有色性和非高斯性的基础上,提出了混合高斯时变自回归模型(Gaussian mixture Tvar Model,GTM),推导了模型公式及其参数求解方法,形成了GTM回波检测算法。为对混响特性及滤波效果进行定量描述进而验证算法性能,给出了一种定量衡量混响非平稳性、有色性、非高斯特性的滤波效果评价方法。通过实测混响分析表明,GTM模型能够较好地拟合实测混响的概率密度曲线和功率谱密度曲线,实现了混响背景下回波的有效检测并改善混响特性。