MIMO-OFDM系统中基于变分贝叶斯EM算法的联合符号检测与信道估计

基于变分贝叶斯期望最大化(VBEM, variational Bayes expectation maximization)算法和Turbo原理,提出了时变信道条件下MIMO-OFDM系统中的联合符号检测与信道估计算法.设计的软入软出空时检测器在采用列表球形译码避免穷尽搜索的同时,考虑了信道估计误差方差矩阵的影响;利用空时检测获得的发送信号后验概率分布估计,推出了新的Kalman前向后向递归信道估计器.仿真结果表明,在时变多径信道条件下,提出的算法比传统EM算法和面向判决算法更加具有顽健性.     

混合逆狄利克雷分布的变分学习及应用

混合逆狄利克雷分布是正的非高斯数据分析中一个重要的统计模型.但是利用常用的统计方法比如极大近似然估计、矩估计等往往很难得到模型参数估计的显性解析式.本文提出一个变分贝叶斯学习算法,它能够在估计参数的同时自动确定混合分量数.在合成数据集及实测数据集上的实验结果表明利用变分贝叶斯推理来估计混合逆狄利克雷分布是一种非常有效的方法.     

最大期望模拟退火的贝叶斯变分推理算法

针对贝叶斯变分推理收敛精度低和搜索过程中易陷入局部最优的问题,该文基于模拟退火理论(SA)和最大期望理论(EM),考虑变分推理过程中初始先验对最终结果的影响和变分自由能的优化效率问题,构建了双重EM模型学习变分参数的初始先验,以降低初始先验的敏感性,同时构建逆温度参数改进变分自由能函数,使变分自由能在优化过程得到有效控制,并提出一种基于最大期望模拟退火的贝叶斯变分推理算法.该文使用收敛性准则理论分析算法的收敛性,利用所提算法对一个混合高斯分布实例进行实验仿真,实验结果表明该算法具有较优的收敛结果.     

贝塔混合模型的变分贝叶斯学习及应用

贝塔混合模型（Beta Mixture Model,BMM）是一种重要的非高斯概率模型,常用于有界数据的统计分析.但是由于其表达式复杂,BMM的参数估计比较困难.针对该问题,本文提出一种高效的变分贝叶斯学习方法进行参数估计.该方法采用形式简单的自由分布,通过不断最大化初始变分目标函数的下界,迭代逼近得到真实的贝叶斯后验分布.在合成数据集与实际数据集上进行实验,实验结果证明了所提出算法的有效性和可行性.     

基于变分贝叶斯ICA的火山灰云检测研究

热红外遥感能够准确、快速地检测出火山灰云信息。针对热红外遥感数据和火山灰云检测特点,提出了基于变分贝叶斯ICA的火山灰云检测算法,通过引入贝叶斯网络的条件独立性准则和近似变分算法,将源信号后验概率分布的计算转化为更容易处理的负变自由能,去逼近真实后验概率分布的最佳近似值。实验表明该方法取得了85.25%的光谱匹配度,检测精度较高。     

变精度粗糙集与贝叶斯粗糙集图像分类研究

在经典粗糙集分类模型的基础上利用变精度粗糙集模型,引入近似区分矩阵的概念,提出了一种基于变精度粗糙集的图像分类模型及其分类算法,在变精度粗糙集分类模型的基础上利用贝叶斯粗糙集模型,通过引入全局相对增益函数给出了贝叶斯粗糙集属性约简的另外一种算法,最后提出了一种基于贝叶斯粗糙集的图像分类模型及其分类算法.实验结果表明在处理决策表不协调的图像分类问题,贝叶斯粗糙集图像分类方法性能良好,分类准确和高效.     

最大期望模拟退火的贝叶斯变分推理算法

针对贝叶斯变分推理收敛精度低和搜索过程中易陷入局部最优的问题，该文基于模拟退火理论(SA)和最大期望理论(EM)，考虑变分推理过程中初始先验对最终结果的影响和变分自由能的优化效率问题，构建了双重EM模型学习变分参数的初始先验，以降低初始先验的敏感性，同时构建逆温度参数改进变分自由能函数，使变分自由能在优化过程得到有效控制，并提出一种基于最大期望模拟退火的贝叶斯变分推理算法。该文使用收敛性准则理论分析算法的收敛性，利用所提算法对一个混合高斯分布实例进行实验仿真，实验结果表明该算法具有较优的收敛结果。     

有限贝塔刘维尔混合模型的变分学习及其应用

由于贝塔刘维尔分布的共轭先验分布中存在积分表达式,贝叶斯估计有限贝塔刘维尔混合模型参数异常困难.本文提出利用变分贝叶斯学习模型参数,采用gamma分布作为近似的先验分布并使用合理的非线性近似技术,得到了后验分布的近似解.与常用的EM算法相比,该方法能够同时估计模型参数和确定分量数,且避免了过拟合的问题.在合成数据集及场景分类问题上进行了大量的实验,实验结果验证了本文所提方法的有效性.     

基于变分方法的超分辨率

基于全变分先验和变分分布.提出一个新颖的超分辨率算法,使用分级的贝叶斯框架,能够同时计算出重建的高分辨率图像和模型参数.本算法利用变分推论给出变量的后验分布近似.因为能够同时估计出模型参数,是自动的过程,无需对参数人工调节.实验结果表明所提算法在重建质量上优于当前主流的算法.     

角闪烁下基于变分贝叶斯-交互式多模型的目标跟踪

开展角闪烁噪声下的目标跟踪研究对提升传感器的探测性能具有重要意义,其中角闪烁噪声具有的分布未知和非平稳特性是长期困扰研究者的难点。针对该问题,该文首先给出角闪烁下基于变分贝叶斯参数学习的跟踪滤波理论框架。其次,提出一种联合估计运动状态和闪烁噪声分布的变分贝叶斯-交互式多模型(VB-IMM)算法,该算法通过设计多个并行的跟踪模型处理角闪烁的跟踪问题,同时利用变分贝叶斯方法实现闪烁噪声分布参数的在线学习,并反馈给跟踪模型,实时调整跟踪模型参数。最后,设计了仿真实验对算法在闪烁噪声分布未知和非平稳条件下的跟踪性能进行了验证,同时对算法的计算复杂度进行了仿真分析。仿真结果表明,在量测噪声分布未知和非平稳条件下,VB-IMM具有较高的跟踪精度,且算法复杂度较小,易于实现。     

精度分类量测数据的变分贝叶斯自适应Kalman滤波算法

针对带有精度分类信息的方差未知量测数据的滤波问题,本文提出了一种扩展的变分贝叶斯自适应Kalman滤波(EVB-AKF)算法。该算法在量测数据精度等级不变或降低时将后验分布参数修正为原VB-AKF算法外推近似值与精度分类信息对应的方差上界的加权和的形式,并在精度等级提高时利用精度分类信息重置后验分布参数,解决了VB-AKF算法后验分布参数一阶常系数模型不能完全适应量测噪声方差动态变化的问题。仿真结果表明,该算法能够快速有效的估计出动态变化的量测噪声方差,并且能够有效的实现数据滤波。      

远距离纯方位跟踪的改进粒子滤波算法

粒子滤波是一种基于蒙特卡罗采样和递推贝叶斯估计的滤波方法,不受模型非线性和非高斯噪声的限制,因而被用于各种非线性滤波和参数估计问题。但是对于先验信息较少和信噪比较低的问题,其庞大的计算量和缓慢的速度限制了它在实时系统中的应用。这里介绍了粒子滤波基本原理,通过改进权重计算、重采样算法,使计算速度得到提高。这种改进算法用于对海洋远距离纯方位目标进行跟踪仿真,其结果表明,具有速度快,精度高的特点。     

基于SMSS-UKF的机载单站无源定位算法

基于机载单站无源定位中常用的扩展卡尔曼滤波具有近似线性方程的雅可比矩阵计算困难、不敏卡尔曼滤波(UKF)具有计算量较大的问题,提出了基于改进的变尺度最小斜度不敏卡尔曼滤波(SMSS-UKF)的机载单站无源定位算法,该方法采用最小斜度采样策略进行Sigma 点采样,减少Sigma点提高计算效率,利用变尺度不敏变换克服了采样点非局部效应问题。同时,针对大部分定位跟踪模型中状态方程为线性方程的特点,依据在线性状态方程情况下的贝叶斯理论,运用卡尔曼滤波状态预测的方法进行UKF的最优状态预测,使状态预测避免了不敏变换的数值近似误差和Sigma采样点计算的复杂性,提高了算法的运行效率和滤波精度。仿真实验的结果证明了SMSS-UKF滤波算法的有效性。     

Bayesian Fusion for Indoor Positioning Using Bluetooth Fingerprints

This paper studies the use of received signal strength indicators (RSSI) applied to fingerprinting method in a Bluetooth network for indoor positioning. A Bayesian fusion (BF) method is proposed to combine the statistical information from the RSSI measurements and the prior information from a motion model. Indoor field tests are carried out to verify the effectiveness of the method. Test results show that the proposed BF algorithm achieves a horizontal positioning accuracy of about 4.7 m on the average, which is about 6 and 7 % improvement when compared with Bayesian static estimation and a point Kalman filter method, respectively.     

A Novel Distributed Sensor Fusion Algorithm for RSSI-Based Location Estimation Using the Unscented Kalman Filter

We address the Bayesian sensor fusion approach for distributed location estimation in the wireless sensor network. Assume each sensor transmits local calculation of target position to a fusion center, which then generates under a Bayesian framework the final estimated trajectory. We study received signal strength indication-based approach using the unscented Kalman filter for each sensor to compute local estimation, and propose a novel distributed algorithm which combines the soft outputs sent from selected sensors and computes the approximated Bayesian estimates to the true position. Simulation results demonstrate that the proposed soft combining method can achieve similar tracking performance as the centralized data fusion approach. The computational cost of the proposed algorithm is less than the centralized method especially in large scale sensor networks. In addition, it is straightforward to incorporate the proposed soft combining strategy with other Bayesian filters for the general purpose of data fusion.

     

Bayesian sequential state estimation for MIMO wireless communications

This paper explores the use of particle filters, rooted in Bayesian estimation, as a device for tracking statistical variations in the channel matrix of a narrowband multiple-input, multiple-output (MIMO) wireless channel. The motivation is to permit the receiver to acquire channel state information through a semiblind strategy and thereby improve the receiver performance of the wireless communication system. To that end, the paper compares the particle filter as well as an improved version of the particle filter using gradient information, to the conventional Kalman filter and mixture Kalman filter with two metrics in mind: receiver performance curves and computational complexity. The comparisons, also including differential phase modulation, are carried out using real-life recorded MIMO wireless data.     

半球陀螺零偏的在轨标定

研究了半球陀螺零偏的在轨标定,提出了轨道计算法和Kalman滤波法两种方法。在卫星姿态指向确定的情况下,可采用轨道计算法对半球陀螺进行零偏标定;Kalman滤波法则必须首先建立准确的数学模型和状态方程。轨道计算法所需的条件少,可操作性好,但精度不如Kalman滤波法。通过对陀螺输出进行滤波降噪处理,可较大程度地提高轨道计算法的精度。半球陀螺在某型卫星上的实际运行数据,证实了这两种方法的可行性。     

弹箭定姿系统的改进卡尔曼滤波算法研究

针对陀螺存在随时间累积漂移误差的特性造成卡尔曼滤波数据发散的问题,提出以陀螺与磁强计组合为测量手段,小波变换和卡尔曼滤波相结合的方法.该方法由卡尔曼滤波器获得较为准确的测量信息,对陀螺和磁强计的信息分别在尺度3下进行分解,比较每层的细节系数和近似部分的系数获得误差信号,结合BP神经网络建立误差模型.当测量数据发散时,选...     

Heuristic Sarsa algorithm based on value function transfer

With the problem of slow convergence for traditional Sarsa algorithm,an improved heuristic Sarsa algorithm based on value function transfer was proposed.The algorithm combined traditional Sarsa algorithm and value function transfer method,and the algorithm introduced bisimulation metric and used it to measure the similarity between new tasks and historical tasks in which those two tasks had the same state space and action space and speed up the algorithm convergence.In addition,combined with heuristic exploration method,the algorithm introduced Bayesian inference and used variational inference to measure information gain.Finally,using the obtained information gain to build intrinsic reward function model as exploring factors,to speed up the convergence of the algorithm.Applying the proposed algorithm to the traditional Grid World problem,and compared with the traditional Sarsa algorithm,the Q-Learning algorithm,and the VFT-Sarsa algorithm,the IGP-Sarsa algorithm with better convergence performance,the experiment results show that the proposed algorithm has faster convergence speed and better convergence stability.     

卡尔曼滤波在雷达偏差估计应用中的改进

为实时跟踪整个雷达网内各雷达的方位偏差和测距偏差的幅度变化,可利用卡尔曼滤波数据存储量小、便于实时处理的特点,用卡尔曼滤波算法对雷达方位偏差和测距偏差幅度进行实时跟踪,并在实际处理的过程中改进噪声计算方法,克服噪声线性化的问题,对实时估计雷达方位偏差和测距偏差非常有效。通过MATLAB仿真得到验证,改进后的雷达方位偏差和测距偏差的估计值比改进前更精确,并且收敛速度提高了2倍,结果表明,此方法既简单又快速、估计值更精确。