基于时变状态转移隐半马尔科夫模型的寿命预测

隐半马尔科夫模型在进行系统状态估计及寿命预测时,其状态转移概率矩阵是固定值,得到的剩余寿命预测值呈阶梯状变化,与系统的实际剩余寿命值之间存在着较大的误差.针对上述问题,提出了具有时变状态转移概率矩阵的隐半马尔科夫模型,根据系统的3种典型退化状态分析,给出3种不同的状态转移系数.与初始状态转移矩阵相结合,得到随时间变化的状态转移矩阵.提高系统在当前健康状态下的剩余持续时间估计精度,最终得到更为准确的总体剩余寿命预测值.结果表明,基于时变状态转移概率矩阵的隐半马尔科夫模型相比传统的隐半马尔科夫模型,可显著提高剩余寿命预测的准确性.     

用于机动目标跟踪的多模型概率假设密度滤波器

针对概率假设密度(PHD)滤波器在多目标跟踪问题中无法解决目标发生较大机动时的目标丢失问题,提出了一种多模型概率假设密度(MM-PHD)滤波器.这种MM-PHD滤波器在粒子PHD滤波器的基础上,使用多模型方法对滤波器中每个描述目标状态的粒子的状态进行更新,再将更新后的粒子代入传统的PHD滤波器中用于估计目标的PHD的分布.该滤波器结合PHD滤波器和多模型方法的特点,可用于目标数未知的多机动目标跟踪,且对目标的数量和状态的估计更加准确.多机动目标跟踪的仿真实验表明,与已有方法相比,该滤波器对目标数的估计与真实情况基本一致,描述多目标状态估计误差的Wasserstein距离值降低了50%以上.     

机动目标的模糊多模型跟踪算法

设计了一种基于模糊逻辑推理的机动目标多模型跟踪新算法（FMMTA）,把量测新息对其协方差的逆的加权二次函数作为模糊推理系统的输入,并通过模糊逻辑推理得到模型集中各模型的匹配度,代替了交互式多模型（IMM）算法中的模式概率计算,降低了计算的复杂度。该算法将测量空间的不确定性映射到模糊空间,从而解决了从测量空间的不确定性到模式空间不确定性的模糊推理问题,并将模糊推理与多模型卡尔曼滤波结合,进行并行处理,有利于机动目标的实时跟踪。Monte Carlo仿真结果表明,在模糊规则设计恰当的情况下,FMMTA算法相对于IMM算法在降低机动目标位置和速度的跟踪误差方面更有效。     

稳健的交互多模型转移概率选择算法

交互多模算法(IMM)是机动目标跟踪中最常使用的方法之一,但其计算量大、过程较复杂.针对交互多模型转移概率矩阵选取问题,结合目标机动检测理论,提出稳健的交互多模型转移概率选择算法.该方法通过判别机动和非机动目标,确定转移概率矩阵主对角线元素值,并进行了仿真实验.结果显示,新方法简便可靠,提高了总体的滤波效果.     

基于自适应采样速率交互式概率数据关联的机动目标跟踪算法

在交互式多模型和概率数据关联算法融合的基础上,又将自适应采样速率算法融合到交互式多模型概率数据关联滤波器中,提出了自适应采样速率交互式概率数据关联算法,该算法不但能有效地跟踪高速机动的目标,且能使系统的采样间隔根据目标的运动状态做自适应调整. 仿真结果表明该算法扩大了机动目标的跟踪范围,且对高速机动的目标有很好的跟踪效果和较强的跟踪精度.     

引入多速率模型的变结构机动目标跟踪

变结构多模型方法(VSMM)能够根据目标机动的实际情况实时确定结构不断变化的模型集合,取代传统IMM方法中的固定模型集.使参与状态估计的模型分布更集中,模型数量相对较少,从而提高算法的跟踪精度.多速率模型(Multirate)能够对原始测量数据进行多分辨分解,有效的抑制量测噪声,从而提高原始数据的信噪比.文章将多速率模型引入变结构多模型方法,提出一种新的机动目标跟踪算法多速率变结构多模型方法(MRVSMM),该方法分别从改善原始数据与改善模型集合两方面对传统IMM方法进行了突破.同时,采用多个多速率模型,并将多个模型的滤波结果相互交织实现对机动目标的全速率跟踪.仿真实验证明,该算法较传统的IMM方法跟踪精度得到了一定程度的提高.     

基于隐主题马尔科夫模型的多特征自动文摘

基于隐主题马尔科夫模型, 消除LDA主题模型的主题独立假设, 使得文摘生成过程中充分利用文章的结构信息, 并结合基于内容的多特征方法提高文摘质量。提出在不破坏文章结构的前提下, 从单文档扩展到多文档的自动文摘策略, 最终搭建完善的自动文摘系统。在DUC2007标准数据集上的实验证明了隐主题马尔科夫模型和文档特征的优越性, 所实现的自动文摘系统ROUGE值有明显提高。     

多传感器多机动目标跟踪的CPHD滤波算法

针对单传感器在多机动目标跟踪系统中不能很好地处理目标数目变化与突发机动的问题,提出了多传感器多机动目标跟踪的概率假设密度滤波算法.以CPHD滤波算法为理论基础,同时递推概率假设密度(PHD)函数和基数分布,避免了多目标多传感器的数据关联问题.结合自适应当前统计模型,选择3个雷达作为跟踪目标的传感器,相比于单传感器降低了信息的模糊度,提高了可信度.仿真结果比较表明了多传感器CPHD滤波算法在多目标跟踪方面的性能优势.     

基于隐马尔科夫度量场模型的车辆检测和跟踪

针对多目标检测和跟踪过程中常发生的合并和分裂现象,提出一种对不同运动目标假设不同的运动模型,并基于隐马尔科夫度量场(HMMF)的检测和跟踪算法.为了更准确地估计目标的运动参数,还提出了一种简单有效的单目相机标定算法.仿真结果表明,文中算法对遮挡不敏感,即使在发生遮挡、合并或分裂情况时也能很好地跟踪运动目标.     

基于当前统计模型的机动目标被动跟踪

介绍了极坐标系下的被动跟踪算法及存在的问题，并分析了其原因，为解决机动目标的被动跟踪问题，选取当前统计模型对加速度进行建模，并建立双机目标测量模型，推导了被动式机动目标自适应跟踪算法。Monte-Carlo仿真表明，新算法能够跟踪任意机动的飞行目标。     

基于Markov转移矩阵预测机场道面使用状态

应用Logistic回归方程建立了连续变量(道面厚度、交通量、道面使用时间)和分类变量(道面养护等级、道面所处的自然区域以及道面结构类型)与Markov转移概率的回归关系.选取我国多个机场实测道面状况指数数据作为基础数据,进行了模型的参数估计及显著性检验,并举例分析模型预测效果.改进了Markov概率预测模型中的参数标定方法,提高了预测精度,并在一定程度上解决了因为机场道面观测数据少,传统预测模型无法获得稳定参数估计的问题,拓展了模型的适用范围.     

混合效应模型在道面状态转移概率估计中的应用分析

为研究混合效应Logistic模型确定马尔可夫状态转移概率矩阵的方法及效果,以道面结构厚度、道面使用时间、状态等级和交通量等因素变量为固定效应,以截距为随机效应,建立混合效应Logistic模型.采用多个机场积累的道面实测PCI值为数据源,估计模型参数并作实例分析.结果表明:①应用混合效应Logistic模型可分析多因素对道面使用性能的影响,获得非齐次状态转移概率矩阵,实现道面使用性能马尔可夫动态预测,显著改善概率预测的精度;②混合效应Logistic模型中随机效应能够反映道面数据内不可观测的异质性,降低模型残差的相关性,提高固定效应参数估计的可靠性;③通过对混合效应Logistic模型随机效应参数bi的估计,可得到数据源内任意个体道面的状态转移概率矩阵,克服传统方法多次建模及数据不足的困难,从而实现对特定道面的性能预测.     

基于卡尔曼滤波器的机动目标跟踪仿真

将卡尔曼（Kalman）滤波器的变维滤波算法应用于雷达数据处理中,对机动目标进行跟踪,得出机动目标的滤波数据曲线,并对目标进行了拦截仿真。仿真结果表明该方法能估计出目标的运动特征并对运动目标拦截成功。     

IIB与IVA族原子光谱中组合跃迁几率的计算

本文应用屏蔽氢模型，计算IIB、IVA族原子光谱中共振跃迁几率Are；通过混合角得到组合跃迁几率Ain，其结果与实验一致.     

一种移动机器人跟踪机动目标的方法

针对机器人跟踪机动目标,提出了一种完整探测、估计的方法.利用单目视觉定位被跟踪目标的方位,再融合激光数据来获取目标的空间位置.基于"当前"统计模型,将获取到空间位置作为观测信息,采用自适应卡尔曼滤波算法,对机动目标进行跟踪,并准确预测其位置、速度及加速度信息.为验证本方案,使用一个Pioneer 3-AT作为主动机器人,及一个AmigoBot机器人作为被跟踪目标进行实验.结果显示,提议的方案可行,其精度满足实际应用的要求.     

马氏利率的离散时间风险模型的破产概率

研究一类保费和理赔额均为随机变量、利率为马氏链的离散时间风险模型的破产概率,推出了有限时间和最终时间破产概率的递归方程,并用归纳法得到最终时间破产概率的上界估计.     

State Bounding 跟踪机动目标研究

提出一种用 State Bounding估计跟踪机动目标的算法。用预测集、观测集中心距检测目标机动 ,修正系统噪声集尺寸适应目标机动 ,很好地解决了用 state Bounding估计跟踪机动目标问题。模拟结果表明本算法与相应的 kalman滤波器的性能相比 ,有较好地机动目标跟踪能力     

基于隐Markov模型的雷达目标识别技术研究

该文首先提出了非相干平均、多分辨率分解、富氏变换的特征提取方法；然后用隐Ｍａｒｋｏｖ模型来描述、识别基于一维像的特征序列。３类ＩＳＡＲ飞机目标的实测数据用验证上述方法的效性，取得了９９．３３％的识别率。     

基于小波多分辨率分析的机动目标跟踪算法

研究了一种基于多分辨率分解的机动目标跟踪算法,该算法利用小波中的经典算法——Mallat算法对单一分辨率的量测数据进行多尺度分解,将分解得到的多分辨率量测数据用于目标状态更新。仿真结果表明,该算法具有较好的跟踪性能。