基于多智能体强化学习的无人车分布式路径规划方法

在危险系数较高的救援、勘察或补给等重要任务中,为避免人员伤亡,需要无人车具备自主探索并协同到达多个目标位置的能力.基于此,提出一种基于多智能体强化学习的无人车分布式路径规划模型,通过集中训练方式生成无人车的行驶策略.仿真结果证明了该方法的有效性.     

压缩感知多目标无源定位中的字典适配方法

该文针对压缩感知多目标无源定位在无线定位环境中的字典失配问题,提出基于变分期望最大化算法的字典适配方法。该方法首先根据鞍面模型建立无源字典,并将与定位环境相关的字典参数作为可调参数。然后,为目标位置向量建立两层的混合高斯先验模型以诱导其稀疏性。最后,利用变分期望最大化算法估计隐藏变量的后验分布以及优化字典环境参数,实现多目标位置估计和字典适配。仿真结果表明,相较于传统的压缩感知多目标无源定位方法,在变化的无线定位环境下,所提定位方法的性能优势尤为明显。     

多变量时间序列中基于克罗内克压缩感知的缺失数据预测算法

针对现有算法在预测多变量时间序列中的缺失数据时不适用或只适用于缺失数据较少的情况,该文提出一种基于克罗内克压缩感知的缺失数据预测算法。首先,利用多变量时间序列的时域平滑特性和序列之间的潜在相关性从时空两个方面设计了稀疏表示基,从而将缺失数据预测问题建模成稀疏向量恢复问题。模型求解部分,根据缺失数据的位置特点设计了适合当前应用场景且与稀疏表示基相关性低的观测矩阵。接着,从稀疏表示向量是否足够稀疏和感知矩阵是否满足有限等距特性两个方面验证了模型的性能。最后,仿真结果表明,所提算法在数据缺失严重的情况下具有良好的性能。