变分贝叶斯自适应容积卡尔曼的SLAM算法

在观测噪声参数未知或变化时,传统的同步定位与建图(SLAM)算法性能会下降,为了让SLAM算法性能在上述条件下不受影响同时具有较高的精度,基于此提出了一种基于变分贝叶斯噪声自适应容积卡尔曼滤波的SLAM算法(VB-ACKF-SLAM).该算法采用逆Wishart分布对未知观测噪声参数建模,采用容积积分方法近似非线性变换的均值和方差,并利用变分贝叶斯滤波实现对移动机器人状态和未知观测噪声参数的联合后验概率的估计.该算法有效地解决了在观测噪声参数未知或变化时,传统滤波算法出现的滤波发散问题.仿真实验结果表明,在观测噪声参数未知或变化时,与基于容积卡尔曼滤波的SLAM算法(CFK-SLAM)、无迹卡尔曼滤波的SLAM算法(UKF-SLAM)、扩展卡尔曼滤波的SLAM算法(EKF-SLAM)相比,VB-ACKF-SLAM算法的定位准确率得到了较大的提高,证明了该算法的有效性.     

GPS／INS组合导航的变分贝叶斯自适应卡尔曼滤波

为解决GPS／INS组合导航的数据融合问题中卡尔曼滤波器因噪声统计特性会发生变化而性能严重退化的问题,针对组合导航的系统模型提出并推导了一种基于变分贝叶斯学习的自适应卡尔曼滤波算法。该方法从概率角度将系统状态与噪声的统计矩一起作为待估计的随机变量,在每次递推地对状态进行估计之前,用变分贝叶斯学习迭代逼近得到噪声的后验分布。仿真结果证明：在组合导航系统中,该自适应算法能够较好地跟踪变化的噪声方差,并对速度、位置等系统状态进行估计。     

基于T分布变分贝叶斯滤波的SINS/GPS组合导航

为了解决组合导航中由于野值存在而导致传统滤波算法性能下降的问题,针对SINS/GPS组合导航系统模型提出基于T分布的变分贝叶斯高斯滤波算法,充分考虑野值所导致的噪声厚尾特性,将观测噪声建模为T分布.对系统状态和自举变量进行估计,并且在每个滤波时刻借助变分贝叶斯学习对状态估计进行迭代,以逼近真实后验分布.针对噪声存在野值的场景进行仿真验证,结果表明,在SINS/GPS组合导航系统中,当噪声存在野值时,基于T分布的变分贝叶斯组合导航滤波方法具有一定的鲁棒性,并且精度优于传统组合导航滤波方法.     

贝叶斯雷达自适应检测算法研究

针对未知谱密度高斯杂波环境下的目标检测问题,假定噪声协方差矩阵是随机变量,并且服从逆Wishart分布．通过求解噪声协方差矩阵的最大后验估计,推导出基于贝叶斯方法的Rao和Wald准则检测器,提高了非均匀杂波环境下的雷达目标自适应检测性能．检测器的设计过程中除了利用观测样本提供的信息,还融合了关于噪声协方差矩阵的先验知识,且融入程度可通过标量参数调节．仿真实验表明,小样本情况下贝叶斯Rao和Wald准则检测器的检测性能优于传统的非贝叶斯检测器．     

一种基于粒子滤波的非线性系统参数和状态联合估计方法

提出了一种新的基于粒子滤波的非线性系统参数和状态联合估计方法.该算法利用粒子滤波方法,结合核平滑收缩技术,同时采用标准贝塔分布代替传统的高斯分布,来拟合系统未知参数的后验分布,最终实现非线性系统中参数的迭代估计.仿真结果表明,该算法提高了未知参数和状态的估计精度,在估计的收敛性方面也有明显的改善.     

一种新的非线性非高斯信号分离方法

提出一种基于粒子滤波的非线性非高斯信号分离方法.该方法依据状态空间模型把信号分离问题转化为信号的状态和参数的联合估计问题,利用粒子滤波方法,结合核平滑收缩技术拟合系统未知参数后验分布,以实现非线性系统中多路信号的分离.仿真结果表明,与现有分离算法相比,该方法能有效解决非线性非高斯系统中多路信号的分离问题,并提高未知参数的估计精度.     

基于贝叶斯-微分进化算法的污染源识别反问题

针对污染源瞬时排放的河流水污染事件反问题,通过贝叶斯统计方法和二维水质对流-扩散方程,建立水体污染识别模型,得到关于污染源强度、污染源位置和污染源排放时刻3个未知参数的后验概率密度函数。运用最大似然估计的思想,采用微分进化算法,求解使后验概率密度函数达到最大值的参数,作为模型未知参数的估计值。算例表明:运用贝叶斯微分进化算法,3个未知参数估计值迭代50次时可以达到稳定,当迭代次数达到280次时,可与真值完全重合;与贝叶斯-蒙特卡洛法相比,贝叶斯-微分进化算法可使3个未知参数估计值达到稳定时的迭代次数降低97.5%,均值误差分别减少1.69%、2.12%和4.03%,具有收敛快、精度高的特点。     

一种分块差分滤波器及其在仅有角度跟踪中的应用

为解决仅有角度跟踪时,目标估计受限于较大的初始估计误差和噪声统计特性未知的问题,提出了一种带有噪声智能统计功能的改进型分块差分滤波器.通过统计线性化方法得到了一种S-H智能噪声统计估值器,并用其优化传统分块噪声滤波器的测量更新步骤,实现了对未知过程和测量噪声的智能统计处理,通过迭代更新进一步提高了滤波器对于复杂非线性函数的适应能力.与目前几类主流的自适应滤波器性能相比,结果表明:对于具有线性系统模型和非线性测量模型的典型被动跟踪估计问题,针对较大的初始状态估计误差,所给出的滤波器能更好地完成系统噪声和测量噪声部分参数统计特性未知情况下的非线性估计任务,在保证计算量适中的同时有效地提高跟踪制导精度.     

0–1膨胀几何分布的客观贝叶斯分析

在医疗卫生、金融证券等应用领域，经常会同时出现零观测值、一观测值较多的情况. 为更好地拟合这类数据，提出0–1膨胀几何分布模型并进行客观贝叶斯分析. 通过参数变换，得到Jeffreys先验和reference先验. 设计后验分布的抽样算法，设置不同的样本量和参数真值，采用数值模拟方法对不同客观先验下的估计效果进行评估.     

噪声未知情况下的自适应无迹粒子滤波算法

为了有效地解决系统噪声未知情况下的目标跟踪问题,提出了一种自适应无迹粒子滤波算法。该算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹卡尔曼滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明:本文方法明显地改善了系统噪声未知情况下目标的跟踪精度和稳定性。     

CPHD multi-target tracking algorithm with unknown model parameters

Since the multi-object tracking performance of the traditional method will decline with unknown model parameters, a CPHD target tracking algorithm is proposed to jointly estimate the detection probability and measurement noise covariance. Firstly, for model the unknown parameters of multiple targets tracking, the detection probability is considered as a variable in a distribution. The detection probability can be obtained by estimating the mean of the distribution. Then, the Variational Bayesian method is used to estimate the covariance of the measurement noise. Finally, the Gaussian implementation of this algorithm is presented. Simulation results show that the algorithm has good tracking performance under jointly unknown detection probability and the covariance of the measurement noise.     

量测随机延迟下带非高斯噪声的目标跟踪算法

为解决量测一步随机延迟及非高斯噪声条件下战斗机蛇形机动模式转弯角速度辨识问题,更好地实现蛇形机动的稳定跟踪,考虑到目标状态与转弯角速度之间相互耦合的特性,基于联合估计与辨识的思想,依据极大似然准则,提出了一种基于期望最大化的目标状态估计与转弯角速度辨识联合优化算法.该算法主体包含两个部分:E-step和M-step.在E-step,首先,通过充分考虑量测一步随机延迟特性及非高斯量测噪声,重新构造了粒子滤波器的似然函数,进而改进了粒子权重的更新公式,同时,为避免粒子贫乏现象的发生,将粒子群优化算法引入到重构的粒子滤波器当中进一步改进粒子采样过程;其次,将拒绝采样思想引入到后向模拟粒子平滑器当中,并相应地设置拒绝采样终止条件,优化后向模拟粒子平滑器,进一步提高平滑算法的执行效率;最后采用改进的粒子滤波器与后向模拟粒子平滑器进一步获取目标状态的平滑量;在M-step,通过采用牛顿迭代法极大化条件似然函数,从而获得转弯角速度的估计量,用于下一次算法迭代.通过E-step和M-step的不断迭代,进而获得转弯角速度的闭环形式的优化解.仿真实验结果表明,所提算法的目标状态估计与角速度辨识的精度均优越于传统的扩维法.     

Seismic Data Recovery with Curvelet Bivariate Shrinkage Function Based on Compressed Sensing

基于压缩感知的Curvelet域双变量阈值收缩函数的地震数据恢复算法

张岩^1,2,任伟建²,唐国维¹,赵璨¹

（1.东北石油大学 计算机与信息技术学院, 黑龙江 大庆 163318;

2.东北石油大学 电气信息工程学院,黑龙江 大庆 163318）

创新点说明：

在石油和天然气勘探过程中,欠采样地震数据的恢复问题是一个重要的研究方向,于是国内外学者最近提出了基于压缩感知的Curvelet域迭代阈值收缩恢复算法,然而这些算法通常采用软阈值收缩函数,该思想是建立在假设所有Curvelet域稀疏系数相互独立基础上,而忽略Curvelet域系数之间的依赖关系。本文利用贝叶斯估计对地震数据Curvelet系数的父子依赖关系进行研究,提出双变量阈值收缩函数的恢复算法。首先在Curvelet域对完整地震数据和欠采样数据中噪声信号,分别建立父子系数联合分布模型,然后根据贝叶斯最大后验概率估计得到双变量阈值收缩函数,然后利用Landweber算法进行迭代,最后通过与现有恢复算法对比实验,得到该算法恢复结果可以得到更高的PSNR,并能更好的保持地震数据同相轴的纹理细节信息。

研究目的：

地震勘探是为了获得地下构造的精确成像,由于采集环境原因,如地表障碍物的存在（建筑物、道路、桥、梁）等或地形条件的因素（禁采区和山区、森林、河网地区等）、仪器硬件（地震检波器、空气枪、电缆等）问题引起的采集坏道以及海洋地震数据采集时电缆的羽状漂流等,往往导致地震数据在空间方向上是欠稀疏采样的。从而导致数据中含有空间假频,以至于在地震数据处理过程中不但会引起人为误差,而且会对基于多道技术的地震数据处理方法的结果产生严重的影响,从而在后续的数据处理时产生假象,最终导致错误的解释。本文利用压缩感知、稀疏表示、贝叶斯估计等技术,结合地震数据的特点,建立地震数据高精度恢复算法。保证后续地震数据处理能够更好反映复杂地质构造,为油气勘探提供更有效的指示和帮助。

研究过程及所用的方法：

（1）基于压缩感知的地震数据恢复基本思想

设完整的二维地震数据为 ( ), 是检波器坐标样本数, 是时间轴坐标样本数,设 是向量化算子, 向量化后 , 为( )向量。欠采样地震资料设为 ( ), ,向量化后 , 为( )维向量,则欠采样地震数据可以表示为式(1)：

(1)

是一个二元采样矩阵,从 采样得到 ,相当于从完整的地震资料 中 道抽取 道数据。因为 ,显然式(1)是欠定的方程组,无法根据 求解 ,设地震资料 在变换域 下系数为 ,有 , 是 的反变换,则

(2)

在具备地震数据变换域系数是稀疏的先验知识,和感知矩阵 满足有限等距性质的前提下,为通过 恢复 提供了理论保证。求解欠定方程组(1)的问题转化为 范数优化问题如式(3)。

(3)

求解式(3)是极不稳定而且是NP难的非凸优化问题。在 和 不相关的条件下,可以转为求解一个等价的、更加简单的 范数优化问题如式(4)。

(4)

使问题转化为求解一个凸优化问题,进而可解。

（2）基于Curvelet的地震数据稀疏表示方法

地震数据Curvelet域可以用 表示,其对应的系数 ,由于Curvelet对二维曲线状纹理具有较好的稀疏表示效果,根据地震波的特点,得到的系数 稀疏程度大,有利于地震数据的恢复。

（3）Curvelet域贝叶斯估计双变量阈值收缩函数设计

分别对地震数据与噪声信号Curvelet变换父子系数联合分布建模,得到地震数据近似拉普拉斯分布,噪声信号近似高斯分布的先验,结合贝叶斯最大后验概率估计得到当前系数的阈值函数,利用地震数据Curvelet域最高尺度系数与邻域窗口系数分布特点估计参数,最终确定双变量阈值收缩函数。

（4）稀疏反演恢复算法设计

采用凸投影和阈值操作交替迭代的Landweber算法,每次迭代的阈值操作通过Curvelet域贝叶斯估计双变量阈值收缩函数过滤噪声如式(5)：

(5)

式(5)中 表示第 次迭代,地震缺失数据在Curvelet域尺度为 的系数, 表示地震完整数据在Curvelet域尺度为 的系数贝叶斯最大后验估计值。

结果：

通过合成数据与marmousi模型数据与现有算法比较得到如下结果：

1）恢复数据的PSNR对比：本文算法高于Curvelet域软阈值迭代算法结果,并且高于双树复小波dual-tree DWT (DDWT)与轮廓波Contourlet域双变量阈值收缩函数迭代结果。

2） 恢复数据的主观效果对比：本文算法得到的恢复数据能更好的保持地震数据同相轴的纹理细节信息。

3）恢复时间对比：本文算法恢复所用时间略高于Curvelet域软阈值迭代算法,以及DDWT与Contourlet域双变量阈值收缩迭代算法。

结论：

1） 通过对完整地震数据与噪声信号Curvelet变换父子系数联合分布建模,结合贝叶斯最大后验概率估计得到当前系数的阈值函数,利用地震数据Curvelet域最高尺度系数与邻域窗口系数分布特点确定估计参数,得到的双变量阈值函数可以较好的对当前系数的有效性进行估计。

2）利用Contourlet域双变量阈值收缩函数结合凸投影和阈值操作交替迭代的Landweber算法,可以有效的恢复地震数据。

关键词：地震数据恢复;压缩感知;迭代收缩;双变量阈值收缩函数

     

An Indoor Localization Approach Based on Fingerprint and Time-Difference of Arrival Fusion

In this paper, an effective target locating approach based on the fingerprint fusion positioning (FFP) method is proposed which integrates the time-difference of arrival (TDOA) and the received signal strength according to the statistical variance of target position in the stationary 3D scenarios. The FFP method fuses the pedestrian dead reckoning (PDR) estimation to solve the moving target localization problem. We also introduce auxiliary parameters to estimate the target motion state. Subsequently, we can locate the static pedestrians and track the the moving target. For the case study, eight access stationary points are placed on a bookshelf and hypermarket; one target node is moving inside hypermarkets in 2D and 3D scenarios or stationary on the bookshelf. We compare the performance of our proposed method with existing localization algorithms such as k-nearest neighbor, weighted k-nearest neighbor, pure TDOA and fingerprinting combining Bayesian frameworks including the extended Kalman filter, unscented Kalman filter and particle filter (PF). The proposed approach outperforms obviously the counterpart methodologies in terms of the root mean square error and the cumulative distribution function of localization errors, especially in the 3D scenarios. Simulation results corroborate the effectiveness of our proposed approach.     

相控阵雷达搜索和跟踪资源博弈分配策略

为了解决搜索和跟踪（SAT）资源分配（RA）实时性的问题,提出博弈论视角下的资源分配策略. 建立搜索与跟踪的系统模型,将SATRA建模为非合作博弈问题,将模型中搜索子空域和跟踪多目标间的资源分配问题看作合作博弈关系,利用Shapley值完成相应资源的分配,给出纳什均衡求解的双目标优化模型;为了快速找到符合决策者偏好的分配解,将双目标优化模型通过动态加权的理想点法转化为单目标优化问题,提出并行混合遗传粒子群优化（PHGAPSO）算法求解上述优化问题最优分配方案,仿真验证了博弈分配策略的有效性和先进性以及混合算法性能的优越性. 在相同的条件下,与帕累托双目标优化方法进行对比. 实验结果表明,博弈论的方法具有更高的灵活性,平均搜索信噪比提高了1.02%,平均跟踪目标误差降低了1.55%.     

贝叶斯框架下的总变分图像去噪算法

针对经典去噪模型易造成图像细节丢失以及确定性算法无法自动估计去噪过程中的未知参数等问题,提出一种新的图像去噪算法.该算法在贝叶斯框架下,用总变分模型（TV）和伽马分布分别刻画原始图像及未知参数的统计特征,并基于最大联合分布的推导,估计最优原始图像.总变分模型使最终的能量泛函非线性且不可微分,因此,引入迭代重加权最小二乘法（IRLS）,通过迭代的方式用加权的L2范数逼近L1范数来表示图像的统计模型.实验结果表明,该算法可有效去除图像的噪声,提升去噪速度,使所恢复的图像在实际视觉效果和信噪比等方面均优于其他同类算法.