期望最大化算法近场被动定位技术研究

本文介绍了一种对近场声源的距离和方位参数的确定性最大似然估计方法。直接的对近场声源参数的最大似然估计产生了复杂的多参数优化问题,我们在实际采样数据(非完全数据)和假设数据(完全数据)等方面重新构建这个问题,最后提出运用期望最大化迭代方法获得最大似然估计。期望最大化算法将观测数据分解,然后对于最优化问题,运用有效的计算措施单独估计每个信号成分的参数。这种算法的应用性和有效性通过一定的仿真得到了验证。     

基于Bayesian Network列控系统超速故障的分析

列控系统非常复杂,在对其进行故障分析时,自身的特质决定了用传统的故障树在对其进行故障分析时会产生局限性;为此文中引入了贝叶斯网络技术,充分利用其推理算法成熟、理论基础非常完备、学习能力非常强的优势,将事件树中各环节的故障树用贝叶斯网络进行描述;利用贝叶斯网络工具箱(BNT)对列车超速故障进行因果和诊断推理分析,通过数值计算结果得出所在不同场景下故障发生的主要原因,并提出减少故障发生概率相应的措施。     

CUSI网络与遗传算法结合计算油气储层物性参数

油气储层物性参数(简称储层参数)是储层描述的重要参数。考虑到地震数据求取储层参数的复杂性与BP网络非线性映射需要利用全体样本信息且学习效率低等不足,提出采用完全利用样本信息(CUSI)的网络与遗传算法结合计算储层参数的方法。     

基于柱坐标系抛物方程和矩量法的电波传播混合算法

针对包含近源障碍物条件下的电波传播问题,提出了一种新颖的电波传播预测混合建模方法:矩量法(MOM)和圆柱坐标系抛物方程法(PEM)混合建模方法(MOM-PEM);MOM用于包含辐射源和近源障碍物的小圆柱区域内的电波传播建模,PEM用于MOM计算空间外的大区域范围内电波传播建模。MOM和PEM的计算过渡区域进行精细化网格剖分处理以避免场强数值传递的不兼容。仿真模拟了三类近源障碍物存在场景下的电波传播问题:有限开窗屏障碍物、立方体障碍物以及包含辐射源的半封闭空间障碍物,并将混合算法计算得到的结果和相同环境下采用全矩量法计算得到的结果进行了数值对比,结果表明混合算法和矩量法在精度上吻合较好。     

基于移动机器人和单目视觉的姿态测量方法

在单目视觉的姿态测量工作中,传统卷积神经网络在模糊场景及复杂场景下存在准确度大幅降低的问题,为此提出了一种基于胶囊网络与贝叶斯网络相结合的深度学习模型,在此基础上提出了基于移动机器人与单目视觉的姿态测量方法。采用新型胶囊网络对单目视觉目标的重要关节点进行空间定位;设计了简单的贝叶斯网络学习算法,通过贝叶斯网络推理出关节点的空间姿态;在复杂的人体姿态测量数据集上完成了验证实验,结果表明实现了较好的测量准确度,在复杂场景下依然保持了较好的准确度,在室内与室外环境下的F1-measure值分别达到0.9和0.78。     

弹光调制器动态参数测量与高效驱动匹配研究

为了提高弹光调制器（photoelastic modulator,PEM）的驱动效率,提出了一种基于PEM动态参数测量的阻抗匹配参数计算方法。理论分析了PEM调制幅度与驱动电压大小的关系,建立了PEM及其谐振匹配网络的等效电路模型,在此基础上推导了PEM谐振驱动电压与各个参数的关系,并设计了针对PEM动态测试的测量系统与验证方法。对谐振频率为44.822 kHz的PEM进行各项特性曲线的理论仿真与试验比较,验证了动态测量系统的可靠性,并通过数值仿真得到PEM最优匹配参数。在最优匹配参数附近选取不同匹配参数,测量实际谐振驱动电压,测量结果与仿真曲线相关性达0.996 4,变化趋势在10μF前基本吻合,且在理论最优匹配参数下,实际谐振驱动电压峰值达510 V,优于其他驱动匹配方法,接近理论最大值,相对误差小于1.16%。通过PEM等效动态参数推算的最优匹配参数,可使PEM达到最大驱动效率。     

基于朴素贝叶斯算法的社交网络数据挖掘技术研究

近年来,随着互联网技术飞速发展与普及,大量社交网络平台迅速崛起。社交网络平台拉近了日常人际关系,提供了便捷的信息通讯交流通道。同时,针对社交网络平台数据挖掘的技术研究成为不可缺少的网络数据研究领域一部分。现有社交网络数据挖掘技术所采用的传统数据挖掘算法与数据分离模式,存在大数据多元特征条件下,数据挖掘准确度降低、挖掘分类逻辑混乱等现象。针对问题产生根源,提出基于朴素贝叶斯算法的社交网络数据挖掘技术研究。采用基于朴素贝叶斯算法设计的PCIE-FN社交网络数据挖掘平台进行全面化的深入性解决。通过实验证明,提出的基于朴素贝叶斯算法的社交网络数据挖掘技术研究,各项数据满足社交网络数据挖掘日常应用要求。     

基于改进深度残差网络的计算断层扫描图像分类算法

基于改进的深度残差网络(ResNet),提出更加适合肺部组织的计算断层扫描(CT)图像模式分类模型。为克服医学图像分析中可用数据集稀少的困难,采用迁移学习方法来减小神经网络模型对数据量大的需求,以减小过拟合。迁移学习的策略是将肺内大量可用的无标签区域作为预训练的数据,使用深度互信息最大化和先验分布匹配的方法进行无监督表征学习。通过对比实验发现,改进的深度ResNet可以得到更高的分类精度,迁移学习算法可以有效地利用肺内无标签区域的数据,从而提升网络模型的分类表现。     

SAR影像极化特征的混合高斯模型与分类

针对高分辨率极化合成孔径雷达(SAR)影像中极化特征呈现尖峰拖尾等复杂多样的统计特点,采用混合高斯模型(GMM)对极化特征进行建模,提出了一种约束距离的混合多元高斯分布的参数估计算法。该参数估计算法在贪婪期望最大算法框架下设计约束距离函数,自动估计混合分量的个数和模型参数,进而在贝叶斯框架下实现极化SAR影像的地物分类。对Radarsat-2旧金山等地区三组影像数据的分类结果表明:相比于经典的分类算法,所提GMM分类算法的总体精度提高了7%～10%,且对样本数目的依赖性更小,在城区和耕地区域等异质区域可以得到精度更高的分类结果。     

不确定海洋环境中基于主成分量的稳健检测器

传统的信号检测算法在不确定的海洋环境中性能出现下降。基于贝叶斯原理的最优检测算法可以实现对不确定海洋环境中信号的有效检测,但是其突出问题是计算量较大。本文提出了一种基于主成分量分析的稳健信号检测器,该检测器利用贝叶斯原理将环境先验信息引入到检测算法中,同时使用主成分量分析方法来降低运算量,实现了对信号的快速有效检测。分别使用标准失配海洋模型和海上实测数据进行了计算机仿真和实验验证,结果表明:(1)基于主成分量的稳健信号检测器检测性能达到最优贝叶斯检测器的效果。(2)本文方法在线运算速度是贝叶斯最优检测器的5^一8倍。(3)环境先验信息失配的情况下,扩大海洋环境参数模型的不确定度范围有助于提高检测性能。      

正则化参数求解方法研究

针对BP神经网络算法训练过程中出现的过拟合问题,提出了利用一阶原点矩,二阶原点矩,方差和极大似然估计概念的推广来计算L2正则化中正则化参数 值的方法。该方法通过对算法数据集[X,Y]中的X矩阵进行运算得到的四个 值,BP神经网络算法训练时通常采用的是贝叶斯正则化方法,贝叶斯正则化方法存在着对先验分布和数据分布依赖等问题,而利用上述概念的推广计算的参数代入L2正则化的方法简便没有应用条件限制。在BP神经网络手写数字识别的实验中,将该方法与贝叶斯正则化方法应用到实验中后的算法识别结果进行比较,正确率提高了1.14-1.50个百分点。因而计算得到的 值应用到L2正则化方法与贝叶斯正则化方法相比更能使得BP神经网络算法的泛化能力强,证明了该算法的有效性。     

基于模糊贝叶斯网络算法的智能轮椅避障

对传统BP神经网络模糊逻辑的智能轮椅避障方法在训练过程中存在的过拟合和避障路径不够优化的问题,提出了一种模糊贝叶斯网络避障算法以降低神经网络的复杂度。该算法利用模糊神经网络对隶属度函数的参数进行自主学习调整,同时为增强神经网络的泛化能力和计算能力,在网络目标函数中加入权衰减项,利用贝叶斯原理优化神经网络的结构和权值。仿真和实机实验表明,该算法在训练结果和避障效果上均优于传统BP神经网络,提高了智能轮椅避障的实时性,优化了避障路径,可满足用户对智能轮椅安全性和舒适性的需求。化了避障路径,可满足用户对智能轮椅安全性和舒适性的需求。     

含Laplace-Gauss型混合噪声图像二阶正则化重建方法

假设观测数据含Laplace-Gauss型混合噪声条件下,提出求解数据重建反问题的一种新型一阶二阶混合正则化模型,阐述该模型在断层重建和流体动力学实验定量诊断中的应用.建模过程采用贝叶斯推断理论和期望极大方法,将空间自适应函数引入经典的增广拉格朗日方法得到模型数值算法.所提出的模型及其算法进行图像复原和客体重建实验.结果表明模型算法的可靠性.     

采用邻域近似算法估计环境参数不确定性

根据贝叶斯理论,逆问题的解可以用后验概率密度来表征,它包含了模型参数先验知识和观测数据信息,反映了反演参数的不确定性.一种快速吉布斯采样算法已经被用于后验概率密度的多维积分运算,但其需要调用大量的声场前向模型,在多个频率或水平变化的匹配场参数反演中,计算量仍然很大.基于邻域近似算法,提出一种比快速吉布斯采样算法更快的参数不确定性估计方法.对低维参数反演问题,邻域算法可以很好地逼近真实的后验概率密度;而对高维问题及其敏感参数,在模型参数样本量有限的条件下,邻域算法很难精确地估计后验概率密度.为了克服以上缺点,并完整地得到反演参数的不确定性信息,设计了一种多步估计方案.数值仿真和实测数据分析表明,多步邻域算法采用较少的计算代价,可获得与快速吉布斯方法相似的估计精度.     

基于动态最小生成树路由协议的数据聚融算法

大规模的地理环境监测,以及用来传输与处理数据的物理基础设施无法和监测区域的规模保持同样的增速,使得不可靠链路下的数据采集与处理呈现出一种饱和流状态,无线传感器网络的能力看似难以稳定.另一方面,尽管理想网络模型的计算结果足够精确,然而,由于与实际应用偏差甚大,使得网络用户无法充分地分析和利用从工业现场所获得到的网络感知数据,并且没有针对网络规模和性能对数据聚融的影响进行分析.为此,本文提出以"过渡区"作为工业现场仿真的假设条件,并在此基础上提出了一种面向实际应用的数据聚融算法,即基于可信度的数据聚融算法(R算法).在具体设计R算法过程中,选用聚集和操作符SUM为例,通过对网络提供出的近似聚集和加以自动分析、综合,针对相对误差界限ε,计算出近似聚集和的可信度的下限η;并将近似聚集和、参数η一同提供给用户,在为用户提供网络概要信息的同时,还提供了参数η作为对信息可信度的判断,以便指导用户对数据聚集结果进行深度处理和提高网络的感知性能.仿真实验描述了过渡区内由于信噪比导致的链路不可靠所引起的η的变化规律;讨论了网络性能和规模对η的影响,随着网络运行周期的增加和网络规模的增大,η的值将逐渐靠近0;从而为WSNs从理论模型投入实际工业应用提供了理论依据和经验公式.     

基于SFLA优化BP神经网络的语音信号分类

BP神经网络是一种多层前馈网络,数据经过网络的输入层、隐含层逐层处理后,由输出层进行输出,通过和期望输出的对比进行反向传播,调整网络参数使输出不断逼近期望输出;在使用BP神经网络对语音特征信号进行分类的过程中,会出现BP神经网络易陷入局部最优解、学习收敛速度慢的问题;针对此问题提出一种基于SFLA优化BP神经网络权值和阀值的方法,引入SFLA算法优化网络权值和阀值,利用SFLA优化后的BP网络模型进行语音特征信号分类;仿真结果表明,经SFLA优化后的BP神经网络与未优化的神经网络相比,不仅训练速度快, 而且误差小,语音特征信号分类的正确率平均提高1.31%。     

含Laplace-Gauss型混合噪声图像二阶正则化重建方法（英文）

假设观测数据含Laplace-Gauss型混合噪声条件下,提出求解数据重建反问题的一种新型一阶二阶混合正则化模型,阐述该模型在断层重建和流体动力学实验定量诊断中的应用.建模过程采用贝叶斯推断理论和期望极大方法,将空间自适应函数引入经典的增广拉格朗日方法得到模型数值算法.所提出的模型及其算法进行图像复原和客体重建实验.结果表明模型算法的可靠性.     

一种快速稀疏贝叶斯学习的水声目标方位估计方法研究

针对以具有时序结构的稀疏贝叶斯学习(Temporally multiple sparse Bayesian learning,TMSBL)为重构算法的水声目标DOA (Direction-of-arrival)估计方法存在运算速度慢的问题,结合块稀疏贝叶斯学习(Block-spare Bayesian learning,BSBL)理论框架下DOA估计模型与特点,采用MacKay提出的定点方法(Fixed-point method)对TMSBL算法中的核心超参量进行求解,提出一种快速的水声目标方位估计稀疏贝叶斯学习的方法,该方法具有运算速度快,重构概率高的特点,并通过实验仿真从运算时间、失败率和均方根误差等方面与TMSBL算法进行比较,验证了该方法的可行性与有效性。      

应用于全光网络恢复优化的自适应性免疫算法

针对全光网的网络恢复问题, 提出了一种基于免疫进化算法的恢复路由优化算法。算法以全光网络的虚拓扑为主要研究对象, 通过对网络虚拓扑的全局优化, 完成网络受损业务恢复。算法在优化过程中引用自适应参数进行调节, 避免了传统进化算法中可能出现的早熟或局部收敛等现象。同时, 算法中还着重考虑了网络资源的利用率问题, 使网络资源利用率最大化, 尽量减少失效造成的业务阻塞。仿真计算结果表明, 该算法在MESH结构全光网络的业务恢复中体现良好的性能优越性。     

大规模DEM数据并行可视域分析算法研究

可视域分析是具有高时间复杂性的地理计算,在进行大规模数字高程模型(DEM)数据的可视域分析时,传统的串行算法往往难以满足实际需求;提出一种基于环形扫描环的并行可视域分析算法,可以快速计算视点在大范围内的可视域范围,与传统的扫描线算法相比,并行环形扫描线算法以阵面方式向外扩张,从而避免了各坐标点角度的重复计算;通过试验对比发现,并行环形扫描线算法的计算效率约为ArcGIS 10.0中可视域分析的20倍,完全可以满足大规模DEM数据的可视域分析需求。