用于移动路径预测的多步Markov模型

针对k阶Markov预测器在状态空间上的高复杂性,提出了用二步Markov预测器进行WLAN环境下的移动路径预测。通过分别对二步和k阶Markov预测器条件熵的计算,在理论上了证明了二步Markov预测器的可行性。同时在1200个WLAN用户的移动跟踪数据集上对两者的预测精度的比较分析结果表明:二步Markov预测器在不同长度的移动跟踪数据集上比一阶Markov预测器有更好的稳定性,在大幅度地降低了k阶Markov预测器状态空间复杂性的同时,与二阶Markov预测器预测精度大致相当,并且比二阶以上Markov预测器的预测精度更高,具有比较大的实用价值。

Markov链与Q-Learning算法的超轻度混动汽车模型预测控制

为了同时兼顾能量管理策略的全局最优性与运算实时性,本文提出了基于Markov链与Q-Learning算法的超轻度混合动力汽车模型预测控制能量管理策略。采用多步Markov模型预测加速度变化过程,计算得出混合动力汽车未来需求功率;以等效燃油消耗最小与动力电池荷电状态(SOC)局部平衡为目标函数,建立能量管理策略优化模型;采用Q-Learning算法对预测时域内的优化问题进行求解,得到最优转矩分配序列。基于MATLAB/Simulink平台,对于ECE_EUDC+UDDS循环工况进行仿真分析。结果表明:采用Q-Learning求解的控制策略比基于动态规划(DP)求解的控制策略,在保证燃油经济性基本保持一致的前提下,仿真时间缩短了4 s,明显地提高了运行效率,实时性更好。

基于GPS轨迹数据的混合多步Markov位置预测

随着移动设备和定位技术的广泛应用,基于位置服务成为研究热点,位置预测是其重要研究内容.基于GPS轨迹数据,对位置预测方法进行研究.Markov模型可以较好地表示时序数据,因此可较好地用于位置建模和预测.在基于Markov建模的位置预测中,1阶Markov模型存在轨迹信息利用不充分、预测准确率低的问题;而多阶Markov模型存在状态空间急剧膨胀的问题.针对这些问题,提出了基于混合多步Markov模型的位置预测方法,在将原始GPS轨迹转化为区域轨迹的基础上,对各多步模型进行融合,提出了基于Adaboost框架的各多步模型影响系数的生成方法,在保证状态空间不变的情况下提高了预测准确性.真实数据集上的实验验证了所提位置预测方法的有效性.

基于M/G/1/K排队理论的IEEE 802.15.4网络吞吐量分析

针对IEEE 802.15.4时隙载波侦听多址接入与碰撞避免(CSMA/CA)算法,利用二维Markov链分析方法提出了一个网络分析模型。该模型特别考虑了IEEE 802.15.4协议的休眠模式以及退避窗口先于退避阶数(NB)达到最大值的情况。在此基础上,结合M/G/1/K排队理论推导得到了吞吐量的表达式,进而分析了网络在非饱和状态下数据包到达率对吞吐量的影响,利用模拟平台NS2进行了仿真。实验结果显示理论分析结果与仿真结果可以较好地拟合,并能准确描述网络吞吐量的变化,验证了分析模型的有效性。

Poisson冲击下的k/n(G)系统的可靠性分析

本文研究了一类Poisson冲击下的k/n(G)系统(即k-out-of-n:G系统).假定冲击的到达数形成一个参数为λ的Poisson过程,且冲击的量服从某一分布.当每次冲击到达时,对系统中工作的部件独立地产生影响.进而假定每一部件以一定的概率故障,概率值是冲击量的函数.且各次冲击独立地对系统造成损失,直到工作部件数少于k系统故障为止.在这些假定下,我们获得了系统的可靠度函数和系统的平均工作时间.进一步,假定系统是可修的,系统中有一个维修工,并根据"先坏先修"的维修规则对故障部件进行维修.在维修时间服从指数分布的假设下,系统状态转移服从Markov过程.对该系统我们建立了状态转移方程,并求得了系统可用度、稳态下的平均工作时间、平均停工时间和系统失效频率等可靠性指标.最后,我们还给出了一个简单例子来演示讨论的模型.

中继与队列相结合的电力线通信AMRS的分组传输方法

为减少电力线信道时变性对自动抄表系统(automaticmeter-reading system,AMRS)计量数据传输效率的不利影响,提出了中继路由与分组队列相结合的方法。中继路由将整条通信链路分割成若干子链路,可以有效提高传输效率,但传输效率仍受制于信噪比(signal to noise ratio,SNR)最低的子链路。为充分利用每条子链路的最大传输效率,在中继路由的基础上,引入了分组队列机制。该方法根据接收和发送子链路的信道状况,动态调整分组队列长度,实现了发送子链路和接收子链路独立传输。由基于SNR的3状态Markov信道模型得到分组的平均发送次数,以该次数表示中继路由的分组接收速率和分组发送速率,建立了基于OPNET的M/M/1/K的AMRS分组排队模型。通过分析不同排队强度时的分组队列长度与队列延时等参数,验证了该方法能够提高传输效率。

汉语语音文档检索中后验概率的索引方法

基于音节Lattice形式的语音识别结果来实现汉语语音文档检索,不但可以成功规避词表外词问题,而且Lattice这种多候选形式也能有效补偿识别错误对检索性能的影响.在基于音节Lattice的汉语语音文档检索研究中,针对已有索引方法的不足,提出了一种基于后验概率的索引方法,对向量空间模型进行改进,以音节和K步邻接音节对作为索引项,以它们在语音文档中的后验概率值作为索引项权重.检索实验表明,文中的方法更适用于基于音节Lattice的语音文档检索任务,各项改进都达到了预期效果.

半监督在线增量自学习异常检测方法研究

在深入分析现有基于监督学习和非监督学习方法的缺点后,提出了一个新颖的基于K-means与Markov模型相结合的半监督异常检测方法.半监督方法的学习样本包括已标示类别的样本和未标示样本,并且通过对已标示样本的学习来指导对未标示样本的学习来提高识别率.方法首先将经过标示的(正常的)系统调用序列投影到高维空间进行有监督聚类后,利用Markov模型来学习聚类间的时序关系,建立起正常行为的初始模型.由Markov模型产生的状态序列计算状态概率,根据状态序列概率来评价进程行为的异常情况.正常行为模型由2种关系确定:①空间分布关系(聚类);②空间的时序关系(Markov模型).在初始模型的导引下对未标示的序列进行学习,利用迭代过程对模型进行改进.实验表明,该算法能够在已标示样本较少的情况下通过对未标示样本的学习来改善模型的检测性能,达到在线增量学习的目的.