一种基于改进PSO的随机最大似然算法

随机最大似然算法(Stochastic Maximum Likelihood,SML)具有优越的波达方位(Direction-of-Arrival,DOA)估计性能,但SML解析过程较高的计算复杂度限制了该算法在实际系统中的应用.针对SML计算复杂度高的问题,提出一种低复杂度的粒子群优化算法(Particle Swarm Optimization,PSO),解决了传统PSO算法中粒子数多和迭代次数多的双重缺点.首先,根据天线获得的信号,将旋转不变子空间法(Estimation of Signal Parameters via Rotational Invariance Techniques,ESPRIT)求得的闭式解作为DOA的预估计值,同时计算系统此时的信噪比以及SML在此信噪比下的克拉-美罗界(Cramer-Rao bound,CRB).然后,根据DOA预估计值和当前CRB值在SML最优解的近邻范围内确定较小的初始化空间,并在该空间初始化少量粒子.最后通过设计合适的惯性因子w,使粒子以合理的速度搜索最优解.实验结果表明,改进PSO算法所需的粒子个数和迭代次数大约是传统PSO算法的1/5,降低了SML的解析复杂度,计算时间是传统PSO算法的1/10,因此在收敛速度上也有显著的优势.

非线性再生散度随机效应模型的极大似然估计及随机逼近算法

非线性再生散度随机效应模型包括了非线性随机效应模型和指数族非线性随机效应模型等．通过视模型中的随机效应为假想的缺失数据和应用Metropolis-Hastings(简称MH) 算法,提出了模型参数极大似然估计的随机逼近算法．模拟研究和实例分析表明了该算法的可行性．

随机波动模型估计及在金融风险防范中的应用

对随机波动 (SV)模型提出了一种基于禁忌遗传算法的伪极大似然 (TSGA- QML )估计 .Monte Carlo试验表明这种方法在参数估计与波动估计上都有较好效果 .利用这一方法对上海股市收益进行了波动分析 ,发现上海股市的收益具有很高的波动持续性 .

双边定时截尾下Burr Ⅻ分布的参数估计

在双边定时截尾样本下,用最大似然法求Burr Ⅻ分布中未知参数的估计,证明了最大似然估计是唯一存在的.用EM算法得到了未知参数的迭代公式及渐近方差,相关引理说明迭代公式具有良好的收敛性.随机模拟结果表明未知参数的EM估计要优于最大似然估计,对于双边定时截尾样本来说,EM算法是一种较好的参数估计方法.

膜计算优化随机最大似然DOA快速估计方法

随机最大似然算法(SML)是一种优秀的波达方位(DOA)估计算法,但SML解析过程中极其繁重的计算复杂度制约了该算法在实际系统中的应用。针对SML计算复杂度高的问题,提出了一种融合膜计算(MC)的随机最大似然算法。首先利用膜计算的优化框架将SML算法的解空间进行膜划分,划分为基本膜和表层膜;然后在每个基本膜内并行采用粒子群算法(PSO)进行局部寻优,同时将基本膜区域内的局部最优解送至表层膜进行全局优化;最后在表层膜区域中采用人工蜂群优化算法进行全局最优解的搜索。实验结果表明,本文算法极大地降低了SML的解析复杂度,计算时间较常用的GA、AM和PSO算法提高了超过10倍,在收敛速度方面具有显著的优势,且测向精度优于传统空间谱算法。

基于限定PSO初始化空间的随机最大似然算法

针对随机最大似然算法(SML)在波达方位(DOA)估计中由于多维非线性优化导致计算复杂度大的问题,提出一种限定粒子群(PSO)算法搜索空间的SML算法。该算法克服了一个缺陷,即在采用ESPRIT算法限定PSO初始化空间时,在阵列结构是非均匀线性阵列而且信号是相干信号时ESPRIT算法不能直接处理信号,且需要采用一组预处理技术,这增加了算法计算的复杂度。提出的算法的关键之处在于采用假设技术确定初始化点来代替ESPRIT算法的解,结合克拉美罗界(CRB)确定PSO算法的初始化解空间。这一方法不必再采用预处理技术,且利用限定PSO初始化空间的算法大大降低了SML算法的计算复杂度。实验结果表明,提出的算法为相干情况和非相干情况都提供了相当好的初始值。最后,将该算法与许多现有算法进行比较,验证提出算法的有效性和准确性。

正态分布随机参数的一种估计方法

本文提出了一种最大似然估计方法,可对一般非线性模型中服从正态分布的随机参数的均值、协方差矩阵及其在各观测时刻的取值进行合理的估计。

双边定时截尾样本下复合瑞利分布的参数估计

利用极大似然法和EM算法研究了双边定时截尾样本下复合瑞利分布参数的极大似然估计.给出了参数的极大似然估计的存在唯一性证明和参数的EM迭代公式,借助Louis算法得到了EM估计的近似区间,随机模拟结果表明极大似然估计与EM估计相比,估计值较接近真值.