面向概念漂移问题的渐进多核学习方法

针对概念漂移问题,构建数据特性随时间发生渐进变化特点的分类学习模型,提出一种基于渐进支持向量机（G-SVM）的渐进多核学习方法（G-MKL）。该方法采用支持向量机（SVM）为基本分类器,进行多区间上的子分类器耦合训练,并通过约束子分类器增量方式使模型适应数据渐进变化特性,最终将多个核函数以线性组合方式融入SVM求解框架。该方法综合发挥了各个核函数的优势,大大提高了模型适应性和有效性。在具有渐变特性的模拟数据集和真实数据集上将所提算法与多种经典算法进行了对比,验证了所提算法在处理非静态数据问题的有效性。     

基于箱式粒子滤波的群目标跟踪算法

在现有群目标跟踪方法中,粒子滤波(Particle filter, PF)算法常被用来解决点量测的非线性滤波问题.而当量测数据受到测量偏差或未知分布边界误差的影响时,传感器获得的点量测需要转换成区间量测,此时原有PF算法不能直接适用.因此,本文提出基于广义似然(Generalized likelihood, GL)函数加权的PF算法.该算法在原有PF算法的基础上,利用广义似然函数的积分解来计算区间量测下的粒子权重.为了降低算法的运算量问题,又提出基于箱式粒子滤波(Box particle filter, Box-PF)的群跟踪算法.首先,在目标状态空间内抽样矩形区域的箱式粒子.然后采用区间分析和约束传播方法,利用区间量测压缩后的粒子与预测粒子的容积比来计算粒子权重.最后,在群目标状态估计结果和群演化网络模型的基础上估计群结构.仿真实验结果表明,与GL-PF算法相比, Box-PF算法具有更高的运算效率,并能降低估计结果中的峰值误差.     

联合模糊聚类和拟蒙特卡罗重采样的群目标跟踪算法

联合概率数据关联粒子滤波(joint probabilistic data association-particle filter,JPDA-PF)算法常被用来解决群目标跟踪中的数据关联和非线性滤波问题.针对算法的数据关联时间较长以及样本枯竭问题,本文阐述了一种利用模糊聚类和拟蒙特卡罗重采样的群目标跟踪算法.首先,在群演化网络模型的基础上,采用最大熵模糊聚类法来完成群内个体目标和量测之间的数据关联,利用模糊隶属度来构建互联概率矩阵.其次,在目标状态样本的重采样的过程中,利用随机化拟蒙特卡罗序列映射到拟复制样本的子空间上,提高样本的多样性,抑制样本枯竭的出现.仿真实验结果表明,与JPDA-PF算法相比,本文算法能有效估计群内目标状态和群结构,并具有更优的估计性能.     

基于复合冲突的临近空间平台效能评估算法

针对目前临近空间平台效能评估研究中出现的评估指标体系不够完善、评估方法不够成熟的问题,在对临近空间平台效能评估指标体系进行改进完善的基础上,提出了一种基于复合冲突的 D-S证据理论的效能评估算法,该算法有助于辅助指挥员进行快速作战决策,仿真验证表明该算法简单易行,融合速度快,能够有效克服单一冲突表示方法的“死角问题”,并且解决了经典D-S理论对高冲突证据组合时出现的悖论问题。