基于Metropolis-Hastings抽样短采样宽带信号方位估计AML算法

针对短采样宽带信号近似最大似然(approximated maximum likelihood,AML)方位估计计算量大的问题,将马尔科夫链-蒙特卡罗方法与近似最大似然方位估计相结合,提出一种基于Metropolis-Hastings抽样的近似最大似然方位估计方法(AMLMH)。该方法将AML算法的空间谱函数作为信号的概率分布函数,并利用Metropolis-Hastings抽样方法从该概率分布函数中抽样。研究结果表明,AMLMH方法不但保持了原近似最大似然方位估计方法的优良性能,而且减小了计算量。

针对大规模动态图流三角形计数的边哈希分布式抽样算法

三角形计数是大图分析的一个经典问题,近年的研究工作主要集中在针对静态流式图的三角形数量估计上,相关流式图抽样算法只能处理边的插入操作,无法处理边的删除操作;而现有的动态流式图抽样算法估计准确性又偏低.针对上述问题,提出了基于边哈希分配的分布式抽样(edge hashing assignmentbased distributed sampling,EHADS)算法,它是一个用于估计动态流式图中三角形数量的分布式流算法,可以快速准确地估计动态流式图中的全局三角形数量以及每个顶点的局部三角形数量.EHADS算法只对输入的图流进行1次处理,并在多台机器上对边进行抽样.与先进的单机流算法相比,EHADS算法具有2点优势:1)在相同样本容量的情况下,EHADS算法以更短的运行时间获得了更小的估计误差,估计全局三角形数量的误差平均降低了31.79%,估计局部三角形数量的误差平均降低了23.35%;2)EHADS算法能够提供流式图中三角形数量的无偏估计,并且严格的数学证明显示该无偏估计具有更小的方差.

基于Metropolis-Hastings抽样的系统误差配准方法

针对目标运动模型不完全的跟踪系统,为解决系统误差配准问题,提出一种基于Metropolis-Has-tings抽样的系统误差配准方法。该方法通过系统误差的最大似然估计导出的等效概率平稳函数作为Metropo-lis-Hastings算法要求构造的概率密度函数,同时给出不同的提议函数来提高系统误差空间分布的全局性。对时变和时不变系统误差情况分别进行了仿真,仿真结果表明,所提方法在考虑系统误差统计特性的同时对解决系统误差配准问题具有有效性和可行性。

基于Metropolis-Hastings算法的α稳定分布参数估计

针对α稳定分布参数估计问题,提出了一种基于MCMC动态模拟的参数估计方法。该方法根据贝叶斯理论建立在α稳定分布层次模型的基础上,利用Metropolis-Hastings抽样方法生成Mark-ov链,在贝叶斯框架下将所有待估计参数视为随机变量,利用后验分布实现稳定分布参数的同时估计,给出了新方法的迭代更新过程,并推导了接受概率的计算公式。理论分析和仿真结果表明,该方法能准确地估计出α稳定分布的4个参数,实现了任意对称或非对称α稳定分布的参数估计。

编制价格指数的爬虫数据抽样方法研究

文章针对全量爬虫数据编制价格指数成本高的问题,提出了一种抽样方法。该方法采用“大数据—小数据”思想,在基期通过网络爬虫技术全量抓取电商平台的商品交易数据,形成抽样框;在连续性调查中采用抽样技术,根据分层抽样思想,运用聚类算法及其轮廓系数实现总体数据分层,并通过不等概率随机抽样获取各层代表性样本;考虑到连续性调查中入选样本存在无回答现象,提出正式和备选样本思路,针对每个正式样本,采用最近邻匹配法挑选若干个备选样本,当正式样本无回答时,以备选样本作为替补来完成价格指数编制。以天猫商城粮油品类为例进行验证,结果表明:在抓取的数据中,基期全量爬虫数据有18351条,第2—8期连续性调查的平均抽样比为10.18%,抽样的平均相对误差为0.59%,说明该方法是可行的。

缺失数据环境下汇率序列的潜变量Metropolis-Hastings算法及触发式理财产品定价

金融数据序列的参数估计是现代金融学研究的热点之一,也是数理金融学的一个重要研究方向.在缺失数据情形下,本文采用MCMC方法研究了ARMA汇率序列的参数估计问题.首先,将潜变量插补数据方法融入MCMC采样过程,新的MCMC参数估计方法允许序列存在缺失数据.其次,结合潜变量,获取了自回归系数和白噪声方差的共轭后验分布.再次,由于滑动平均系数的共轭后验分布获取困难,构造了一种基于多元回归的参数估计方法.最后,利用Metropolis-Hastings抽样替代Gibbs抽样并融入上述结果,形成了一种新的MCMC参数估计方法,该方法有效克服了单纯Gibbs抽样序列存在的波动聚集现象的不足.此外,以2018年9月20日至9月27日的欧元兑美元汇率为仿真对象,对触发式理财产品进行了实证分析.

改进随机抽样一致性算法在建筑物现状测量中的应用

作为点云数据处理的关键步骤,线面拟合的结果直接影响后续数据处理的精度。针对传统RANSAC算法在建筑物平面拟合过程中存在的效率及精度方面的问题,引入一种顺序法向量检测机制,通过增加拟合模型的角度约束条件,提出了一种改进随机抽样一致性算法(M-RANSAC)进行平面和边缘探测。通过与常规全站仪测量方法以及传统RANSAC算法进行结果对比,验证了本方法的可行性和有效性,并在珠江三角洲水资源配置工程沿线建筑物现状测量中得到了成功应用。

合成孔径声呐时延估计误差校正改进算法

由相位解缠错误造成的时延估计误差会严重降低合成孔径声呐时延估计的精度。现有的时延估计误差校正算法采用二次函数作为时延的拟合模型,该模型在距离向近端和远端处不符合时延空变规律,拟合误差较大且无法估计载体的横荡和升沉运动。针对该问题,文章提出一种改进的时延估计误差校正算法,利用时延的距离空变函数代替二次函数作为拟合模型。数值仿真和实验结果表明,相较于参考算法,改进算法校正时延估计误差的效果更好、速度更快,同时还能准确地估计载体的横荡和升沉运动。运动补偿结果显示了改进算法能较好地提升成像质量。

基于聚类算法的有限制单纯形均匀随机抽样研究

针对单纯形在抽样算法设计方案中无法适用复杂限制情况下的条件分布以及满足高维情形要求,需要提出一种行之有效的抽样算法,即Gibbs抽样算法,来为有限制单纯形均匀随机抽样提供一个可靠算法框架,同时为了获得有限制单纯形上均匀分布的代表点,此研究引入了3种聚类算法。从数值模拟结果可以看出,提出的抽样方法能够获取到较为均匀的样本,能够广泛应用至各种有限制或高维等复杂条件中,且对聚类算法的抽样算法框架有显著提升试验点的价值属性。

基于主成分分析法的两步子抽样算法及应用研究

针对大数据中高维变量多重共线性问题,结合Logistic模型提出两种基于主成分分析法的两步子抽样算法,分别为基于A-最优准则的最小均方误差(minimum Mean Square Error,mMSE)抽样和基于L-最优准则的最小方差协方差(minimum Variance covariance,mVc)抽样。实证结果表明,相较于随机抽样,mMSE抽样和mVc抽样能大幅降低模型参数估计的均方误差,提升模型的查准率、召回率、F1分数、特异度等分类评价指标。

基于拉丁超立方体的改进白骨顶鸡算法

针对白骨顶鸡算法求解工程问题时收敛速度慢,易陷入局部最优等不足,提出一种基于拉丁超立方体的改进白骨顶鸡算法。使用拉丁超立方体抽样增强初始种群的均匀性和多样性;引入非线性决策因子和自适应动态边界机制,提高算法全局搜索和局部开发能力;利用柯西变异对最优解进行扰动,帮助算法跳出局部最优。在16个基准函数、高维函数和工程问题进行仿真,其结果验证,该算法收敛速度和寻优精度良好,在工程问题上具有可行性和有效性。

基于多目标粒子群优化算法的动力电池仿生冷板结构优化设计

为了提高锂离子电池的冷却效果,提出一种高度对称的仿生网状流道冷板。首先,利用单因子分析法分析了冷板结构参数对其性能的影响,然后,以冷板的平均温度、温度标准差和冷却液压力损失为性能指标,采用多目标粒子群优化(MOPSO)算法对冷板的结构参数进行了优化,得到性能最优时的流道宽度、流道深度和冷板壁厚分别为9.0 mm、1.5 mm和1.4 mm,对应的平均温度、温度标准差和压力损失分别为33.20℃、1.33℃和65.63 Pa,相比于初始结构参数,优化后的平均温度和温度标准差分别下降1.92℃和0.02℃,但压力损失增大27.10 Pa。最后,在电池模组层面验证了优化结果。

基于LHS和正余弦搜索的阿基米德优化算法

针对阿基米德优化算法(AOA)寻优过程中存在兼顾全局探索和局部开发能力弱、寻优精度低、易陷入局部最优等问题,提出一种基于LHS和正余弦搜索算子的阿基米德优化算法(LSAOA)。首先,采用拉丁超立方抽样方法初始化种群,提高种群的均衡度和多样性;其次,改变全局搜索与局部搜索的切换模式,提高算法的收敛速度和精度;最后,引入正余弦搜索算子改进局部搜索方式,提高算法的局部搜索开发能力。仿真实验将LSAOA算法与其他改进AOA算法,以及其他元启发式算法在国际通用基准测试函数下进行寻优比较,实验结果表明,LSAOA算法在求解精度和收敛速度等方面具备较好的综合性能。

基于重叠区域改进SURF的无人机影像快速匹配算法

针对无人机影像匹配算法因影像信息量大、视场大和地物纹理复杂而导致匹配精度及效率低的问题,以加速稳健特征(Speeded Up Robust Features, SURF)算法为基础,提出了一种基于重叠区域改进SURF算法的无人机影像快速匹配算法。算法主要分为3步:(1)利用无人机影像重叠率计算影像特征点检测提取区域,并在区域内进行SURF特征点检测提取,避免无效特征点影响匹配精度与效率;(2)采用同心圆环8区域模板替换原SURF算法矩形模板,并引入影像色彩信息构建34维的特征描述符,进行特征匹配;(3)采用M估计抽样一致性(M-estimator Sample Consensus, MSAC)算法剔除误匹配点,实现影像的精匹配。实验分析表明,所提算法能够有效提升无人机影像特征匹配正确率及算法运行时间效率。

基于序贯概率及局部优化随机抽样一致性算法

通过引入序贯概率检测及局部优化技术,给出了一种快速并具有较高精度估计的随机抽样一致性算法RANSAC(ran-dom sample consensus)。RANSAC算法是基于假设和检验的框架来实现。为了减少RANSAC算法的计算时间及提高计算精度,在模型的检验阶段,利用序贯概率检测技术,随机抽取少量的数据对模型的参数进行预检验。如果模型参数通过预检验,则进入后续的检验,否则这个模型参数不再参与后续全部数据的检验。在对模型参数估计时,使用局部优化方法,实现模型估计的精确度的提高。实验结果表明,此算法在速度和精确度方面与标准的RANSAC相比均取得了较大的提高。

不均衡数据集中基于Adaboost的过抽样算法

为了提高不均衡数据集中少数类的分类性能,该文融合了提升和过抽样的优点,提出了基于提升算法Adaboost的过抽样算法MCMO-Boost,并且将其与决策树算法C4.5、提升算法Adaboost和过抽样算法SMOTE进行了实验比较与分析。结果表明,MCMO-Boost算法在少数类和数据集的总体分类性能方面都优于其它算法。

快速Metropolis-Hastings变异的遗传重采样粒子滤波器

为了解决传统粒子滤波器粒子退化与贫乏问题,提出了快速变异的遗传重采样粒子滤波算法。该算法将快速Metropolis-Hastings(MH)移动作为遗传算法的变异算子,使得快速变异算子与传统交叉算子、传统选择算子组合为一种新的粒子重采样算法。快速MH变异能对粒子进行移动,使得粒子的稳定分布为目标的后验概率密度分布。快速变异能有效解决一般变异算法易发散的问题,可以更快地提取到反映目标概率特征的典型粒子。实验证明,基于快速MH变异的遗传重采样方法可以快速提高粒子的多样性,避免粒子退化,减小跟踪误差。

一种新的关联规则抽样算法

针对目前经典的关联规则挖掘Apriori算法需对数据库多次扫描费时多计算量大,而抽样扫描会造成挖掘精确度下降等问题,采用控制样本频繁项目集的方法,利用频繁1项集进行抽样处理,对关联规则挖掘的抽样操作和精度控制进行研究,提出了基于抽样操作的关联规则挖掘算法——HAC算法。理论分析及性能试验结果表明:HAC算法能够有效缩减数据库规模,至少少扫描数据库1次,提高了关联规则挖掘的效率,同时其计算精度不受影响。

基于随机抽样和聚类特征的聚类算法

在分析BIRCH算法不足的基础上,提出了一种基于随机抽样和聚类特征的聚类算法(CLAP).该算法采用随机抽样技术,从数据库中抽取一部分数据进行聚类的预处理过程,这样大大降低了运行时间.CLAP通过设立索引树的叶节点的直径和聚类直径,提高了聚类的精度,并采用全局搜索和局部搜索相结合的方式,消除了输入顺序对聚类质量的影响.测试结果表明,CLAP算法不仅提高了聚类速度,而且改善了聚类质量.

记数集团抽样检查接收概率的近似算法及其应用

本文给出记数集团抽样检查接收概率的近似公式及算法,并且通过与传统近似算法的比较和计算机模拟抽样检查验证,讨论了该方法的准确性和实用性,结果表明：本文提出的接收概率算法明显优于传统算法,可用于计数型集团检查抽样方案设计而不必考虑一个集团中有2个或更多不合格品混入的问题．该算法已应用于家蚕微粒子病母蛾集团检查2次和多次抽样方案的设计．