基于Kullback-Leibler散度的无源传感器数据关联

针对多无源传感器多目标多维分配数据关联模型在构造关联代价时未考虑位置估计不确定性所引入的误差问题,提出了一种基于Kullback-Leibler散度的关联算法。将伪量测信息的概率密度函数与真实观测数据的最大后验概率密度之间的Kullback-Leibler散度作为关联代价,给出了一种Kullback-Leibler散度的近似解析公式,从而简化了计算。最后对经典关联算法与本文算法的正确率进行了试验对比,仿真结果表明:基于Kullback-Leibler散度的关联代价能够更精准地反映出数据关联的可能性,所提关联算法可以获得更好的关联性能。

基于Kullback散度的主客观权重相结合的投资决策方法

运用信息论中的Kullback散度解释已有的两种主客观权重相结合的多指标决策问题,以最小化Kullback散度的方式建立了确定指标权重的一种优化模型,并给出了一种新的组合权的确定方式,对4家企业投资决策的实例分析表明,应用该指标赋权确定的决策方法既保持了与主观和客观权重法的一致性,又体现了主客观相结合的统一性。

基于激光反射强度特征的智能汽车路面估计方法

为了提升智能汽车行驶安全性,适应高速、大侧偏等极限工况应用场景,轮胎-路面附着系数峰值估计技术越来越受到汽车主动安全控制领域研究的关注。提出了一种基于激光雷达的路面估计方法:基于极大似然估计方法求解了结构化道路常见类型路面的激光雷达反射强度分布模型参数,并依此建立典型路面数据库;利用Kullback⁃Leibler散度表征反射强度分布相似度,结合所建立的路面数据库辨识路面类型,然后映射出对应的峰值附着系数估计值。试验结果表明,提出的轮胎-路面附着系数峰值估计方法的准确率达到90%以上,能够灵敏地检测出路面突变现象,且对白天和夜晚不同的光照条件具有鲁棒性。

利用Kullback散度的多组二次判别分析

本文介绍用两个线性变换将 m 维因子向量进行变换,建立二次判别函数的方法.这种变换的优点在于可用 Kullback 散度指标对二次判别函数进行组合和优选.大量计算实例表明,这种方法的效果优于其它判别分析方法.

基于δ-广义标签多贝努利的群分裂算法

群分裂是群目标的重要运动形式,基本的广义标签多贝努利(GLMB)滤波器计算复杂,且只对存活和新生目标建模,不能有效描述群分裂运动。针对此问题,在δ-GLMB滤波算法的基础上建立群分裂模型,通过最小化Kullback-Leibler散度(KL-DIV)的方法近似目标真实密度分布,推导了一种考虑群分裂的GGIW-δ-GLMB滤波算法。仿真实验表明,该算法能够较好地跟踪群分裂运动。

基于信息散度的多无源传感器数据关联

针对多无源传感器多维分配数据关联模型在构造关联代价时,未充分考虑位置估计不确定性所引入的误差问题,提出一种基于信息散度的数据关联算法.将伪量测信息的概率密度函数与真实观测数据的最大后验概率密度函数之间的差异性信息作为关联代价,并分别采用Kullback-Leibler散度和对称Kullback-Leibler散度来量化该差异.仿真分析结果表明,该算法具有良好的关联性能,其关联代价能更精准地反映数据关联的可能性程度.

组合赋权TOPSIS在汽车零部件供应商选择中的应用

针对汽车零部件供应商评价中存在的问题,根据目前汽车零部件供应商评价中指标赋权方法的特点,构建了基于组合赋权TOPSIS的供应商评价模型。在此过程中,提出了一种将主客观权重进行组合的算法——Kullback散度算法。组合后的权重体现了评价指标的客观信息和主观信息,使评价结果更加可靠、可信。给出了实证分析,验证了该方法的有效性。

基于贝叶斯自组织映射和高斯混合模型的混合像元分解

提出一种新的对多通道遥感图像进行混合像元分解的方法.该方法将贝叶斯自组织映射算法引入混合像元分解问题中,通过最小化Kullback-Leibler信息度实现高斯参数的估计,并结合高斯混合模型完成解混.为了获得较高的解混精度,要求适当地扩展正态分布的范围,提出了3σ的方差调整方法来解决这一问题.所采用的解混模型自动满足混合像元分解问题所要求的2个约束条件:丰度值非负约束,丰度值和为1约束.实验结果表明,该方法有较好的混合像元分解结果,同时具有较强的抗噪声能力.

色噪声下估计信源数的方法及性能分析

分析了雷达谱估计信号源数的方法。在高频地波雷达中,当各阵元噪声功率非平稳时,提出了一种基于盖氏圆半径和Kullback对称散度的信号源数目估计方法。通过实验证明,该方法能够有效解决在小快拍数、阵元噪声功率不相等情况下信号源数目估计的问题,实现色噪声环境下信源数的估计。

信息几何及其应用

本文介绍了信息几何的基本内容和最新的一些研究进展,特别是信息几何的理论在神经网络、热力学系统、控制系统以及Birkhoff系统中的应用.

基于箱粒子滤波的混合标签多伯努利跟踪算法

针对标签多伯努利滤波器在目标处于近邻或目标量测与轨迹关联模糊情况下,更新步中由于近似产生信息丢失,导致跟踪效果下降的问题,引入区间分析技术,结合标签多伯努利滤波器及广义标签多伯努利滤波器各自的优势,提出一种箱粒子滤波下的混合标签多伯努利跟踪算法.建立两种滤波器的参数模型,通过Kullback Leibler散度和熵两项评定标准在两种滤波器间进行切换,在特殊环境中使用广义标签多伯努利滤波器提高跟踪性能,在其他环境中使用标签多伯努利滤波器近似降低算法的复杂度,提高运算效率;同时基于箱粒子滤波实现混合标签多伯努利算法.仿真实验表明,在特定环境中,与原有滤波算法相比,所提出的改进算法在保证计算效率的同时,可提高跟踪的精确度及稳定性.