双层稀疏贝叶斯学习ISAR超分辨成像算法

传统贝叶斯成像常采用拉普拉斯分布进行成像特征表征，易使得成像结果过稀疏而容易丢失部分弱散射的结构特征，进而影响逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像精度提升。为实现高精度ISAR超分辨成像，本文采用伯努利-拉普拉斯混合稀疏先验对目标统计特性进行概率建模，利用双层稀疏对目标先验进行统计约束，从而有效模拟目标散射场统计先验。并在贝叶斯层级模型下，通过引入隐变量建模的方式对先验进行分层构建，在解决先验分布与高斯似然函数不共轭问题的同时简化贝叶斯推断，降低模型复杂度。为避免繁琐的手动参数调整，实现超参数的自调节，本文对各随机变量建立条件概率依赖模型，并利用马尔可夫链蒙特卡罗随机模拟估计算法解决高维积分和后验分布难以求解的问题，实现相关超参数的统计估计，提升算法自学习能力。仿真和实测数据均证明本文所提方法具有有效性和优越性。     

小样本数据缺失状态下DBN舰艇编队防空目标威胁评估方法

针对海上编队防空目标威胁评估过程中样本数据量较少且易缺失、已有评估方法过多依赖专家经验以及难以进行时间序列上动态评估的问题,提出了基于约束参数学习的动态贝叶斯网络(dynamic Bayesian networks, DBN)威胁评估方法。采用AR(p)模型预测时间序列上的缺失数据,从而获得完备的小数据集样本;在此基础上,根据专家经验构建合理的参数约束模型;进一步利用贝叶斯估计进行参数学习;将学习得到的参数代入DBN中,推理求出威胁评估结果;引入效用理论对威胁评估结果进行排序。仿真实验表明该评估方法在小样本数据缺失状态下目标威胁评估的结果合理,准确性高。     

态势评估的变结构区间概率动态贝叶斯网络方法

针对以往利用贝叶斯网络进行势评估时,贝叶斯网络结构和参数都是固定不变的不足,为提高态势评估准确性,提出一种变结构区间概率动态贝叶斯网络（variable structure interval probability dynamic Bayesian network, VSIP DBN）进行态势评估的方法。给出了VSIP DBN的定义,推导了其推理的算法,网络结构能够根据态势变化情况进行改变,并给出了结构变化的判断依据,将参数推广为区间概率的形式,同时提出了区间概率参数的学习方法。将VSIP DBN应用于态势评估,在典型作战条件下进行仿真分析,不需要精确给出网络参数,即使出现偶然观测误差,也能够准确地评估出当前空战态势,提高了评估的灵活性。     

DBN结构学习度量分解性能分析

针对动态贝叶斯网络(DBN)结构学习中涉及的度量分解问题,提出了DBN度量分解后的相关性能。首先,细化了DBN的贝叶斯信息度量(BIC)及贝叶斯-狄里克莱(BD)度量公式,通过表达式的分析,讨论了分解后的相关性质,进而提出了由分解公式提供给DBN结构学习的相关性能。其次,通过设计的性能分析仿真实验,验证了提出的若干设想,即将BN结构学习算法移植到DBN结构学习的可行性及分解降低算法复杂度等问题,并提出了寻找DBN快速结构学习算法的有效思路。     

贝叶斯网络增强型多模型AUV组合导航算法

针对复杂环境下自主水下航行器(autonomous underwater vehicle,AUV)组合导航系统中存在噪声不确定或者易发生变化的情况,提出一种贝叶斯网络增强型交互式多模型(interactive multiple model filter based on Bayesian network,BN-IMM)滤波算法。该算法在多模型估计基础上,引入特征变量,并根据变量与系统模型之间存在的因果关系建立贝叶斯网络;利用贝叶斯网络参数修正多模型估计中的模型切换概率,能够降低多模型算法中真实模式识别对先验知识的依赖性。该算法能够解决交互式多模型(interactive multiple model,IMM)算法中模型转换存在滞后、模型概率易发生跳变等问题,增强多模型算法的自适应能力。以陀螺和加速度计的输出作为特征变量建立贝叶斯网络,对AUV组合导航系统进行仿真,结果表明所提出的BN-IMM算法相比于传统的IMM算法能够显著提高机动状态时模型转换速度和估计精度。     

基于贝叶斯优化构建DBN结构优化算法

针对动态贝叶斯网络(DBN)结构学习问题,提出了一种基于贝叶斯优化(BOA)的DBN结构寻优算法。首先,从传统进化优化机制的基本理论和基本操作入手,刻划了基于概率模型进化算法的基本思想。其次,通过描述基于概率模型进化算法的构图基础,引出了DBN结构学习机制,即基于BOA的DBN结构寻优算法。BOA算法的关键是根据优良解集学习得到DBN,以及根据DBN推理生成新个体,前者更为重要,依据基于贪婪机理的遗传算法解决动态网络学习,再应用DBN前向模拟完成后一步。仿真结果表明了该算法的可行性。     

基于广义连续时间贝叶斯网络的指挥控制网络系统可靠性分析

指挥控制网络作为典型的复杂网络系统，其可靠性通常可以利用动态贝叶斯网络(dynamic Bayesian network, DBN)来分析。由于DBN并不能很好地解决包含时间和非时间事件的指挥控制网络系统可靠性问题，因此提出一种具有二态条件概率表的广义连续时间贝叶斯网络(generalized continuous time Bayesian network, GCTBN)的建模方法。在此模型的基础上，得到了不同逻辑门的可靠度算法求解，进而针对指挥控制网络系统提出了无线电传播、通信设备以及网络的可靠性分析方法，从而综合地考虑到指挥控制网络执行不同任务的可靠性问题。通过对指挥控制网络可靠性问题的实际案例分析，验证了所提方法的有效性。     

基于DBN的飞行保障力量配置辅助决策方法

为弥补机场飞行保障活动中全员出动和比例配置决策方法的不足，构建了基于动态贝叶斯网络(dynamic Bayesian network, DBN)的机场飞行保障力量配置辅助决策模型。在量化保障力量强度的基础上引入隐马尔可夫模型和Hausdorff距离算法，对不同条件下的飞行保障活动进行辅助决策，并定义相关决策评估指标作为模型验证依据。分别对两种情况的机场飞行保障活动进行仿真试验,结果表明，通过决策模型可以生成指标优于传统比例配置的方案，并且可对保障力量缺口补充提供决策支持依据。     

基于双平行互质阵列的二维高精度DOA估计

为利用互质结构进行二维高精度波达方向(direction of arrival, DOA)估计,设计了双平行互质阵列,提出了构建非均匀虚拟阵列的失配处理贝叶斯学习方法,最大限度扩展了测向自由度的同时,降低了网格失配对DOA估计精度的影响。首先,对平行互质阵列进行垂直方向扩展构建了双平行互质阵列;其次,进行了非均匀虚拟阵列扩展,利用稀疏贝叶斯学习进行稀疏重构;然后,利用到达角相邻网格的能量关系,通过泰勒展开,进行了低复杂度的失配处理;最后,提出剔除规则和选择规则,融合两个方向子阵的估计结果。理论分析和仿真实验证明了所提阵列和DOA估计方法的有效性。     

多加性元素GERT网络解析法

本文在基本GERT网络解析法的基础上,应用信号流图理论和概率统计方法,导出了多加性元素GERT网络解析法的理论,用该方法可象时间变量一样将费用变量作为决策变量,从而进一步扩展了GERT网络解析法的应用范围。     

基于动态因果结构推断的SVAR模型识别:算法和仿真

给定任一满足递归结构假设的SVAR模型,存在一个与其是相同数据生成过程的线性动态因果结构模型,且SVAR模型系数矩阵与动态因果结构之间存在特定的对应关系,故同期变量间因果结构推断可以为SVAR模型提供正确的识别条件.同时还证明同期变量与滞后变量间动态因果结构推断能为同期变量间因果结构的正确推断提供有用信息.据此,在PC算法基础上,构建了动态因果结构推断的具体算法,将基于同期变量因果结构推断的SVAR模型识别拓展到基于动态因果结构推断,从而使SVAR模型得以完全识别的情形得到有效拓展,并给出了该方法下SVAR模型识别的充要条件,这些结论均得到了Monte Carlo仿真结果的有力支持.     

结构VAR模型辨识的条件互信息图模型

在结构向量自回归(VAR)模型辨识的图模型中引入信息论方法.定义了线性条件互信息图,图中的结点表示时间序列不同时刻的随机变量,结点间的边表示随机变量之间存在的因果相依关系.提出了随机变量之间条件线性联系存在性的信息论检验方法.图中边的存在性用基于线性条件互信息的枢轴量检验,枢轴量的显著性用置换检验决定.用统计分析的方法确定当前变量之间联系的方向,建立了有向非循环图.最后以模拟序列为例,验证了所提出的方法是可行且有效的.     

基于t分布噪声的鲁棒PPLS回归模型

概率PLS(PPLS)模型中,数据源(主元)和噪声满足正态分布,容易受离群点的影响.鲁棒PPLS算法采用拖尾更长的t分布描述数据源和噪声,提高了模型的鲁棒性.但是,实际工业过程中,离群点由测量噪声导致,而不是由产生过程变量和质量变量的数据源产生.基于此,提出一种基于t分布噪声的鲁棒PPLS模型.该模型采用t分布拟合测量噪声的分布,而主元依然用标准正态分布描述,更符合实际测量状况.考虑到潜在变量的存在,采用极大似然方法结合EM算法对模型的参数进行了估计,并将该模型用于对过程变量和质量变量的回归估计.最后,通过仿真实例进行了验证.     

被动定位跟踪中的非线性滤波技术

针对被动定位跟踪中状态空间模型非线性程度较高所引发的滤波精度偏低的问题,分析和总结了已有的包括推广卡尔曼滤波(EKF)、修正增益的推广卡曼滤波(MGEKF)、二阶滤波、自适应推广卡尔曼滤波(AEKF)等各种次优递推滤波算法的特点。在此基础上重点论述了一种基于贝叶斯原理的序贯蒙特卡罗粒子滤波技术,该方法通过粒子的加权和表征后验概率密度,获得状态估值,在处理非线性非高斯系统的状态估计问题时精度逼近最优,鲁棒性更好。     

一种基于匹配滤波的空时分组码译码方法

空时分组码译码采用直接法构造判决统计量。两副发射天线、一副接收天线的空时分组码系统的判决统计量还有另外一种构造方法——匹配滤波法。将匹配滤波法进一步推广到多维空时分组码系统,给出了匹配滤波器的构造方法,并在SPW平台上对这种方法进行了仿真。分析和仿真结果表明:提出的增强匹配滤波法易于实现,适用于多维空时分组码系统,其误码性能与直接法相同。     

动态投入产出模型在控制变量约束下的反馈控制

动态投入产出模型在控制变量约束下的反馈控制李银国（重庆建筑专科学校，６３００３０）ＦｅｅｄｇｂａｃｋＣｏｎｔｒｏｌｏｆＤｙｎａｍｉｃＩｎｐｕｔ－ＯｕｔｐｕｔＭｏｄｅｌｓｗｉｔｈｔｈｅＣｏｎｔｒｏｌｏｆＶａｒｉａｂｌｅＣｏｎｓｔｒａｉｎｔｓＬｉＹｉｎｇ...     

用于大工业过程建模的新型小波神经网络结构

提出一种新的小波神经网络结构 ,旨在解决输入变量比较多、变量分先后次序起作用的一类问题。该网络结构类似于多层前向神经网络 ,不同的是将一部分输入节点移至隐层 ,输入变量不是由同一层输入 ,而是根据变量起作用的前后次序分别在网络的不同层输入 ,从而使网络的规模减小 ;同时 ,隐层神经元的激励函数是一维小波函数 ,避免了多元小波函数带来的维数灾难问题。因此 ,该神经网络是处理高维问题的有效工具 ,尤其适用于包含多道加工工序的大工业过程的建模。将该神经网络用于热连轧产品质量建模 ,并经过了实测数据拟合与检验。试验结果表明 ,提出的小波神经网络结构是可行的 ,而且有很好的应用前景。     

一种语义扩展的DEVS模型表示方法

离散事件系统规范（DEVS）是建立在一般系统理论的基础上的有效的模块化系统建模规范。针对当前基于DEVS的仿真模型表示方法不能描述模型上下文,不能有效支持模型语义组合、重用的问题,提出了语义扩展的DEVS模型表示方法（SEM-DEVS）。SEM-DEVS在原有的DEVS模型规范基础上,增加了模型的实验框架和语义扩展接口,增加了对模型行为表示能力的要求。在SEM-DEVS形式化定义的基础上给出了实验框架以及语义扩展接口的逻辑关系及匹配方法。以逻辑公式方式表示实验框架和语义扩展接口,给出SEM-DEVS的一种实现方法。

Abstract：

Based on general theory, DEVS is an effective and module modeling specification. For the problem of lacking capability of current model representation approaches to describe context and support semantics reuse and composition of simulation model, a Semantic Extended DEVS （SEM-DEVS） model representation approach was proposed. On the base of DEVS, experiment frame and semantic extended port of model were extended to SEM-DEVS. Stricter request to describe the behavior of model was proposed in SEM-DEVS. Logic relationship and match method of experiment frame and semantic extended port of model was brought forward base on formal definition of SEM-DEVS. An implement of SEM-DEVS was proposed, in which experiment frame and semantic extended port were both represented by logic formulas.     

基于隐马尔可夫模型的array-CGH数据贝叶斯分析

微阵列比较基因组杂化(comparative genomic hybridization,CGH)技术是用于发现DNA拷贝数变异的重要技术.本文根据DNA片段间的距离及测试样本与参考样本之间的荧光强度比,将微阵列实验的分辨率特征作为先验信息,建立用于分析微阵列CGH数据的贝叶斯隐马尔可夫模型.为解决基因数据变量多、抽样收敛速度慢的问题,本文将向前向后Gibbs算法应用到模型参数的马尔可夫链蒙特卡罗抽样估计中,以加快收敛.在对多形性胶质母细胞瘤基因数据分析中,本文方法能有效识别出DNA拷贝数异常的区域,所得结果与以往有关研究结论一致.模拟数据分析结果表明,在不同噪声下本文方法均能有效识别出异常区域,其误判率小于3%.     

基于多源信息融合与HMM的剩余寿命预测

针对设备剩余使用寿命预测问题, 提出一种基于多源信息融合与隐马尔可夫模型的预测方法。首先, 针对发动机结构复杂、监控数据参数多等问题, 提出一种基于传感器信噪比和主成分分析(principal component analysis, PCA)降维的多源传感器数据融合方法。在此基础上, 利用样本数据训练高斯混合隐马尔可夫模型, 同时为降低模型偏差并避免过拟合风险, 提出一种“定制”策略训练方法, 训练后的模型可用于系统健康状态识别和剩余使用寿命预测。最后, 通过美国国家航空航天局公开的航空发动机仿真数据集对所提方法进行了验证, 并与几种具有代表性且预测精度较高的文献方法进行了比较分析, 验证了方法的有效性。