基于一阶高斯-马尔科夫模型的IMU零偏相关时间对GNSS/INS组合导航结果的影响

GNSS(global navigation satellite system)/INS(inertial navigation system)组合导航中,Kalman滤波的最优估计性能受状态模型及其参数设定影响。IMU(inertial measurement unit)的零偏和比例因子误差通常建模为一阶高斯-马尔科夫过程,而模型中的相关时间参数比较难以获得且影响不明确。因此,以IMU零偏模型为例,通过仿真低中高三种不同精度等级的IMU数据,并对比仿真GNSS中断内的导航漂移误差,研究了相关时间参数对GNSS/INS组合导航结果的影响。结果表明:当相关时间参数接近其真值时,组合导航结果在总体上趋于最优表现;中高等级IMU的加速度计零偏相关时间的影响相对较大;但总体来说,相关时间对组合导航结果影响较弱。该研究成果可为后续IMU误差模型的参数设定和优化策略设计提供一定的实验依据和研究基础。

无线传感器网络中高斯-马尔科夫移动模型参数特性研究

高斯-马尔科夫移动模型(GM模型)是一种比较符合现实场景的节点运动模型,但是GM模型参数选择复杂,如果参数选择不当,移动节点会超出仿真区域,进而影响模型的性能。本文对GM模型的参数进行了仿真分析,结果表明初始速度对节点的超界率和覆盖率影响不大,而随着α值的增大,节点超界率增大,覆盖率呈先增大后减小的趋势;随着边界阈值λ的增大,超界率减小,但覆盖率也减小。在实际应用中,应当确保超界率在可接受范围之内的前提下,尽量提高节点的覆盖率。

基于高斯马尔科夫模型的高光谱异常目标检测算法研究

随着光谱成像技术的发展,高光谱异常检测在遥感图像处理中的应用越来越广泛。传统RX异常检测算法忽略影像空间相关性,而且由于没有经过有效数据降维,运算耗费大,对于高光谱数据有效性不高。高光谱影像在空间和光谱上符合高斯-马尔科夫模型。通过建立马尔科夫参数能够直接计算协方差矩阵的逆矩阵,避免了高光谱海量数据的庞大计算。提出一种基于三维高斯-马尔科夫随机场模型的改进RX异常检测算法。该方法用高斯-马尔科夫随机场模型模拟高光谱影像数据,用最大似然近似法估计高斯-马尔科夫随机场参数,由高斯-马尔科夫随机场参数直接构造检测算子,并以待检测像元为中心设置局部优化窗口,称为马尔科夫检测窗。取窗口内数据计算均值向量和协方差逆矩阵,得到中心像元的异常度,通过移动窗口进行逐像元检测。应用AVIRIS高光谱数据对传统RX算法、高斯-马尔科夫模型背景假设异常检测算法和该算法进行了仿真实验对比。结果表明,该算法能够有效提高高光谱异常检测效率,降低虚警率。运行时间较传统RX算法提高了45.2%,体现出更好的计算效率。

部分空间和部分时间相干衍射高斯-谢尔模型脉冲光束在大气湍流中的光谱移动和光谱开关

基于非稳光场的相干光理论,研究了部分空间和部分时间相干高斯-谢尔模型脉冲光束在大气湍流中的光谱变化规律。给出了两者在大气湍流中的光谱传输公式。数值计算结果表明,由于光阑衍射效应的影响,光谱沿轴向、径向均出现蓝移或红移,随着相对传输距离z/z0、空间相干参数β和折射率结构常数C2n的增大,脉冲时间相干长度Tc的减小,轴向光谱蓝移量(或红移量)逐渐增大,由明显的起伏逐渐趋于稳定并且沿径向出现了光谱开关。其数目随着截断参数δ的增大,光阑的衍射效应减弱而逐渐增多,光谱跃迁量△逐渐减小;随着脉冲时间相干长度的增大,光谱跃迁量逐渐减小,开关位置逐渐靠近z轴;而随着折射率结构常数的增大,光谱跃迁量逐渐减小,开关位置逐渐远离z轴。随着相对传输距离的增大,大气湍流对光谱的影响逐渐增大而光阑衍射效应逐渐减小,因此,光阑衍射在近场区对光谱影响较大,而大气湍流在远场区对光谱影响较大。

一种高斯-马尔科夫自组网组移动模型

研究了Ad Hoc网络中移动模型问题。针对目前Ad Hoc网络节点通常具有群组移动性的特征,提出了一种新的移动模型—高斯-马尔科夫组移动模型。通过与RWP、CGM移动模型仿真对比得出,该移动模型符合能够有效描述具有群组移动性的Ad Hoc网络,同时也表明,不同的移动模型对Ad Hoc网络路由协议性能具有很大的影响。

部分空间和部分光谱相干高斯-谢尔模型脉冲光束在自由空间中的光谱和时间特性

对部分空间和部分光谱相干2维高斯-谢尔模型脉冲光束在自由空间传输的光谱和时间特性做了详细的数值研究。结果表明,部分空间和部分光谱相干高斯-谢尔模型脉冲光束在自由空间传输中发生了光谱移动,光谱移动与场点位置、空间相关长度和时间相干长度有关。在轴上,光谱出现蓝移,相对光谱移动随传输距离的增加而增大,随空间相关长度和时间相干长度的增加而减小,并逐渐趋于一定值。在轴外,光谱出现蓝移和红移,并与空间相关长度和时间相干长度有关。脉冲时间波形不变,对所得主要结果做了物理解释。

基于混合高斯隐马尔可夫模型的带式输送机堆煤时刻预测方法

提出了一种基于混合高斯隐马尔可夫模型的带式输送机堆煤时刻预测方法。该方法根据传感器采集的带式输送机功率时序数据建立带式输送机运行状态的混合高斯隐马尔可夫模型,基于该模型采用基于图的状态序列遍历算法和基于切普曼-柯尔莫哥罗夫方程的概率转移算法对带式输送机堆煤时刻进行预测:基于图的状态序列遍历算法通过寻找当前状态到堆煤状态的通路确定剩余时间;基于切普曼-柯尔莫哥罗夫方程的概率转移算法通过粒子群优化算法及切普曼-柯尔莫哥罗夫方程交叉验证来获取训练样本上失败状态的概率阈值,并计算当前的状态迁移到超过失败状态概率阈值的转移次数来确定剩余时间。基于煤矿生产实际数据集的实验验证了该方法可有效预测带式输送机的堆煤发生时刻。

无人机辅助移动边缘计算中信息新鲜度优先的轨迹规划和任务卸载算法设计

无人机辅助移动边缘计算系统在5G/6G通信中有着深远意义。针对6G通信网络中各类通信设备对信息时效性和数据新鲜度的需求,提出一种基于双深度Q网络的信息新鲜度优先的轨迹规划和任务卸载算法。结果表明,所提出的算法相较于基准算法有效降低了平均AoI。

鱼群启发的三维Ad hoc网络节点随机移动优化模型

为有效指导三维环境中的移动自组织无线网络(MAWN)的部署,并提高网络感知能力,受鱼群启发,构建了一种新型三维节点半随机移动模型(3D_NMM)。本文在三维高斯半马尔科夫移动模型(3D-SGM)上增加节点排斥运动状态,设计了新的节点状态转换方式;在随机路点移动模型上构建虚拟边界,提出了一种新的边界处理方法。仿真实验表明,3D_NMM较3D-SGM在空间探测率、实时覆盖率及初始探测花费上具有优势,其中实时覆盖率提高了62.2%,初始探测95%区域的时间花费降低了77%,有效提升了移动无线自组织网络的应用效能。

基于行动预测的支持移动自组网QoS的路由方案

从研究高斯-马尔可夫运动模型出发,提出了一个可用于预测移动自组网中节点间最大链路有效时间的模型。从提供QoS路由度量和改进被动路由协议两个方面阐述了提供移动自组网QoS支持的机制。仿真实验表明,新的路由方案具有网络吞吐量大、抖动小和时延可控制的特点。

基于概率的移动用户移动模型

提出了一种基于概率的移动用户移动模型,目的是为了解决新一代广播电视服务系统中建立手机移动电视用户移动模型问题。该模型首先将用户空间中道路交叉点作为顶点,按照Voronoi图将用户空间划分为多个区域,当用户运动到区域顶点时,根据用户在相邻区域内出现的概率选择路径。并对高斯-马尔可夫移动模型中移动速度进行改进,将用户上次经过该位置的速度作为速度预测的一个重要因素考虑进来。实验结果表明,在速度预测及位置预测方面,本模型的性能均明显优于高斯-马尔可夫移动模型。

基于高斯混合模型的感知域音频编码方法

传统感知音频编码方案采用心理声学掩蔽降低编码码率,其声道模型＋信号激励的方式难以同时实现高质量的中低码率语音和音频信号编码。为此,提出一种基于高斯混合模型的感知域音频编码方法,利用Gammatone滤波器组模拟人耳听觉系统,采用多路复用掩蔽模型替换降低包络脉冲的数量,对结构化模型进行拟合,使用高斯-牛顿算法对听觉包络进行高斯混合模型参数的拟合,将高斯混合模型参数替代音频信号特征。实验结果表明,与基于稀疏包络表示重构的音频编码方法相比,该方法的主观测试高0.5分-0.8分,客观测试高5分-10分,解码得到的语音和大部分音乐信号都能还原到原始音频信号,可用于实现高质量的中低码率语音和音频编码。

基于Fluid-Flow和Gauss-Markov混合模型的位置管理性能评估

针对现有的Fluid-Flow移动模型难以拟合PCS网络中随机游走行为的问题。设计一种基于Fluid-Flow和Gauss-Markov的混合模型。该模型应用Gauss-Markov随机过程理论,将速度离散化,确定前后速度关联度参数,从而能模拟不同运动特征的移动终端。通过Matlab数值仿真,模拟PCS网络应用场景,较单纯基于Fluid-Flow模型的位置管理方法能大幅度减小系统开销,证明该模型更适于复杂位置管理性能评估。

加总模型与扩展的高斯—马尔科夫定理

本文将经典的高斯—马尔科夫定理推广到加总数据层面,探讨三类加总形式下加总模型参数估计的最小方差线性无偏性质;揭示加总模型最小方差线性无偏性与非加总模型最小方差线性无偏性之间的关系。在满足正态误差项的假设下,进一步分析加总模型参数所具有的最优无偏特征。最后运用蒙特卡洛方法对加总模型的参数无偏性特征进行数值模拟。

基于移动漫游组播机制的预注册算法研究

针对现有宽带无线专网漫游机制存在的延迟较大等问题.提出了一种组播预注册模型,基于高斯.马尔科夫预测算法,通过多参数加权的方式得到预注册的判断标准与切换阈值,可保证移动用户在发生漫游时业务传输的高实时性与不间断需求,并通过OPNET建模仿真证实了这一机制的有效性。

基于IPSO-FHMM的非侵入式负荷分解

非侵入式负荷分解是智能用电系统的一个重要环节,可深入分析用户的用电信息,对负荷预测、需求侧管理及电网安全有重要意义.本文提出了一种基于改进粒子群优化因子隐马尔可夫模型(IPSO-FHMM)的非侵入式负荷分解方法.利用高斯混合模型(GMM)对单负荷进行状态聚类,总负载模型由因子隐马尔可夫模型表示.针对Baum-Welch算法容易收敛于局部极值的问题,将线性递减权重的粒子群优化算法引入到FHMM的参数训练中.使用AMPds2数据集进行仿真实验,结果表明,该模型可以有效地提高分解精度.

基于改进JRD及误差修正的轴承剩余寿命预测方法

目前,风电机组齿轮箱性能发生初始退化时难以识别,现有退化指标易出现剧烈波动、单调性较差,且无法准确预测齿轮箱关键部件如轴承的剩余使用寿命(RUL),针对该问题,提出了一种基于改进杰森-瑞丽散度(JRD)及误差修正的双指数模型轴承RUL预测方法。首先,提取了振动信号样本的多域特征指标,利用高斯混合模型(GMM)与指数型权重JRD,得到了样本的后验概率分布向量,再经归一化处理得到置信值(CV);然后,对轴承从初始健康状态退化至当前检查时刻的CV值进行了相空间重构,提取了CV序列的动力学特征,并将其作为相关向量机(RVM)的训练集,获得了支撑整个退化轨迹的相关向量;最后,利用双指数模型拟合了相关向量,外推趋势至失效门限以计算RUL,并引入了差分整合移动平均自回归模型(ARIMA),对拟合相关向量产生的拟合误差进行了预测,以修正预测的结果。实验结果表明:改进后的退化指标单调性指标提高14.3%;且在不同工况、不同时刻下,经误差修正后的轴承的RUL预测结果较未修正之前有明显提高。研究结果表明:该预测方法可为风电机组齿轮箱重要部件的预测性维护提供参考。

衍射扭曲高斯-谢尔模型光束在远场的光谱移动和光谱开关

从部分相干光的传输理论出发,研究了被光阑衍射扭曲高斯-谢尔模型光束远场的光谱变化规律。结果表明,扭曲高斯-谢尔模型光束在远场也会出现光谱移动和光谱开关效应。与衍射高斯-谢尔模型光束情况相比,光谱移动和光谱开关效应不仅与光束空间相关性、截断参量和源光谱谱宽有关,光束的扭曲因子也会对衍射扭曲高斯-谢尔模型光束远场的光谱移动和光谱开关效应产生影响。通过数值计算结果详细讨论了光束扭曲因子影响衍射扭曲高斯-谢尔模型远场光谱的规律。

高动态迁移下无人机自组网路由协议研究

无人机自组网是对移动自组网的空天扩展,其高机动的飞行特性和网络高迁移性的特点,为移动自组网提出了一个具有挑战性的环境。论文提出在三维空间仿真模型中,针对无人机集群飞行高迁移性的特点,使用基于内存的三维高斯-马尔科夫移动模型模拟高动态无人机节点,对几种常用的移动自组网路由协议进行仿真,分析在高拓扑变化和高移动速度场景下各协议性能表现。最后仿真结果表明OLSR协议能在复杂的网络环境下相比其他协议保持较出色的适用能力,但其时延会随网络负载增加而增加,还需进一步优化。

基于瓶颈复合特征的声学模型建立方法

针对梅尔频率倒谱系数(MFCC)语音特征不能有效反映连续帧之间有效信息的问题,基于深度神经网络相关性和紧凑性特征,提出一种融合神经网瓶颈特征与MFCC特征的复合特征构造方法,提高语音的表征能力和建模能力。从语音数据中提取MFCC特征作为输入数据,将MFCC特征和BN特征进行串接得到新的复合特征,并进行GMM-HMM声学建模。在TIMIT数据库上的实验结果表明,与单一的瓶颈特征和深度神经网络后验特征相比,该方法识别率明显提升。