变分贝叶斯

摘要： 针对航空发动机气路故障诊断中非高斯噪声特性未知的情况,设计一种基于变分贝叶斯(VB)和核极限学习机(KELM)的边缘化粒子滤波方法。该算法采用学生t分布对非高斯噪声建模,并对噪声参数集进行边缘化处理,利用VB递推出噪声的统计特性;递推过程中采用KELM代替发动机迭代模型计算粒子的测量似然函数,显著降低了VB的计算复杂度。对航空发动机气路故障诊断仿真结果表明:在非高斯噪声特性未知情况下,该方法提高了健康参数估计的精度和鲁棒性,实现了复杂噪声背景下发动机气路故障诊断。

摘要： 针对移动机器人同时定位与地图构建(SLAM)中观测噪声随时间变化及粒子滤波(PF)中粒子多样性易丧失问题,提出基于变分贝叶斯优化的近邻采样PF-SLAM算法。采用高斯混合模型对时变的观测噪声建模,使用变分贝叶斯方法,迭代估算出混合模型中的未知参数;同时根据粒子权重将粒子划分为保留粒子和调整粒子,通过两种粒子间的近邻位置分布关系优化调整粒子位置,在处理时变观测噪声同时,解决粒子多样性丧失问题,使得优化的粒子集更好地表示机器人位置概率分布。实验表明,改进算法与传统PF-SLAM算法相比,定位与建图误差降低76%,较期望最大化算法下的定位与建图误差降低了54%,进一步验证了所提算法的可行性与有效性,为移动机器人同时定位与建图提供一定参考。

摘要： 提出一种基于非下采样轮廓波变换(NSCT)结合模糊域的噪声抑制和目标增强方法。使用NSCT将含噪声呐图像分解为不同的频率和方向响应子带,利用V-Bayes估计理论推导了模型的相应非线性二元阈值函数对NSCT系数的子带进行去噪。结合领域信息和空间信息构造模糊特征,再构建出模糊隶属度收缩函数对降噪后的NSCT分量执行二次降噪,最后以重建降噪后的声呐图像数据,使用综合数据和效果图示例来证明所提出的方法能够有效的去除声呐图像噪声,且优于基于小波变换的阈值去噪方法。

摘要： 针对探地雷达(ground penetrating radar,GPR)采集数据时会产生高频杂波影响地下目标自动识别的问题。提出了一种基于变分贝叶斯的GPR图像非负矩阵分解方法(probability nonnegative matrix factorization,PNMF)。该方法使用变分贝叶斯模型对非负矩阵分解的基矩阵和系数矩阵进行近似推理,得到杂波成分的低秩矩阵表示,进而将杂波从图像中分离出来。实验过程采用模拟和实测数据进行对比分析,通过信噪比和视觉质量结果验证了PNMF对杂波有较好的抑制作用,具有较好的鲁棒性。

摘要： 考虑目标跟踪系统中未知时变过程噪声和随机异常量测噪声对目标状态估计精度的影响,本文提出了一种基于变分贝叶斯的分布式融合目标跟踪算法.首先在分布式融合框架下,结合变分贝叶斯机理利用逆威沙特分布和学生t分布,分别对无迹卡尔曼滤波实现中的一步预测协方差矩阵和量测似然概率密度函数进行建模;进而采用平均场变分理论近似解耦噪声分布参数和状态的联合概率密度函数,并通过定点迭代方法更新状态估计和噪声分布参数;最后依据协方差交叉融合策略实现对局部状态估计融合与修正.仿真结果表明,新算法综合考虑系统非线性、过程噪声时变性和量测噪声异常性的综合影响,能够有效提高运动目标的状态估计精度,同时具有较好的自适应性和鲁棒性.

摘要： 针对杂波环境下的目标跟踪问题,提出了一种基于变分贝叶斯的概率数据关联算法(Variational Bayesian based probabilistic data association algorithm, VB-PDA).该算法首先将关联事件视为一个随机变量并利用多项分布对其进行建模,随后基于数据集、目标状态、关联事件的联合概率密度函数求取关联事件的后验概率密度函数,最后将关联事件的后验概率密度函数引入变分贝叶斯框架中以获取状态近似后验概率密度函数.相比于概率数据关联算法, VB-PDA算法在提高算法实时性的同时在权重Kullback-Leibler (KL)平均准则下获取了近似程度更高的状态后验概率密度函数.相关仿真实验对提出算法的有效性进行了验证.

摘要： 针对无人船在恶劣海况下对准时会受到复杂未知干扰,从而导致量测噪声时变,且因存在野值而表现出厚尾特性的问题,提出了一种自适应鲁棒的基于学生t分布的变分贝叶斯UKF(St-VB UKF)算法,将量测噪声建模成学生t分布来描述噪声的厚尾特性,并通过变分贝叶斯方法实时自适应地估计量测噪声的统计特性。仿真结果表明,提出的算法在受到短时和瞬时的强干扰影响时,对准精度和速度均优于传统的UKF算法和Sage-Husa自适应UKF算法;且当量测中存在部分野值而呈现厚尾特性时,提出的算法可以有效抑制野值的影响,对准精度保持不变,提升了算法的鲁棒性。

摘要： 向量自回归模型(Vector Autoregressive Models,VAR)的建模数据需满足序列线性同质的假设,实际应用的数据大多不满足这一条件,故引入Markov转换向量自回归模型,运用变分贝叶斯推断方法解决Markov转换向量自回归模型的参数估计问题。对模型的一般形式进行变形,给出变分推理过程,并在此基础上,提出一种Markov转换向量自回归模型的变分贝叶斯推断算法。对人民币兑美元汇率、沪深股市收益率这3个变量之间的关系进行实证分析,研究发现,沪深股市的波动存在制度变迁非对称关系,并处于联动状态。

摘要： 本文考虑非高斯噪声下传感器网络的状态估计问题.在机动目标跟踪、室内定位、水声导航等应用中,传感器的非高斯噪声会造成针对高斯噪声设计的常规状态估计算法精度下降.在现有针对单传感器系统的基于多变量Laplace(Multivariate Laplace,ML)鲁棒状态估计(Robust State Estimation based on ML,RSE-ML)算法基础上,本文借助信息滤波的特点,推导了针对多传感器系统的集中式RSE-ML(Centralized RSE-ML,CRSE-ML)算法,进一步利用一致性平均得到分布式RSE-ML(Distributed RSE-ML,DRSE-ML)算法.本文提出的DRSE-ML算法中利用ML建模非高斯噪声,借助变分贝叶斯方法估计噪声和状态参数,采用一致性算法进行分布式信息交互,克服了集中式算法通信和计算负担重的缺点,且具有自由参数少、估计精度高的特点.仿真结果表明,所提出的DRSE-ML算法估计精度优于现有相关算法,且能逼近集中式CRSE-ML算法的估计精度.

摘要： 为解决水下航行器捷联惯性导航系统(SINS)与多普勒计程仪(DVL)、长基线(LBL)定位设备组合导航问题,提出使用集中式滤波方案,并建立了SINS/DVL/LBL组合导航模型。在组合导航过程中,考虑到使用经典的卡尔曼滤波方法会存在由量测噪声方差时变和野值干扰而导致滤波精度下降的问题,通过将变分贝叶斯滤波与IGGⅢ权函数相结合,提出了一种改进变分贝叶斯滤波方法。组合导航仿真结果表明:文中滤波方法具有较强的自适应能力和抗野值能力,其滤波精度优于经典的卡尔曼滤波方法和变分贝叶斯滤波方法。

摘要： 针对常用于非高斯信号或系统建模的包含隐变量的混合高斯分布模型,提出利用一种变分贝叶斯学习算法进行模型的参数估计.该方法采用一个形式较为简单的自由分布,通过不断最大化边缘似然函数的下界,迭代地更新变分参数,直至近似分布足够逼近参数真实的后验分布,从而实现混合高斯分布的参数估计.文中推导了该方法对混合高斯模型参数学习过程.实验表明,变分贝叶斯学习可以有效实现高斯混合模型的多参数估计,相比采样方法更有工程应用前景.

摘要： 为了满足数字传输和有限带宽的要求,原始量测在发送到信息处理中心之前需要进行量化.在此基础上,研究了量化量测下的多目标跟踪问题,提出了变分贝叶斯量化概率假设密度(VBQPHD)滤波.该方法可联合估计量化量测噪声方差和目标状态,并采用一个方差上界确定量化噪声方差估计的有效性.实验结果表明,对于量化量测下的多目标跟踪问题,本文所提方法的跟踪性能要优于传统的滤波方法.

摘要： 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.

摘要： 在无源毫米波成像的信号处理中，由于采用的点扩展函数的不准确，会使得图像复原的质量较差。为了提高图像复原的质量，本文研究提出了一种针对无源毫米波成像的变分贝叶斯盲复原算法。该算法结合无源毫米波成像的后验概率分布模型，通过变分贝叶斯估计得到准确的点扩展函数，然后采用Lucy-Richardson图像复原算法进行图像恢复。理论分析及实验结果表明，该算法能较准确地估计出点扩展函数，可有效地提高图像恢复质量，适合于在无源毫米波成像处理中应用。

摘要： 本文在解决含噪混合系统的盲分离问题时,考虑了源信号本身包含的时间信息,提出了用泛化自回归模型来描述源信号的时间相关特性,把噪声的统计特性和源信号的时间特性在变分贝叶斯学习的理论框架下统一考虑,取得了很好的分离结果。

摘要： 本发明公开了一种针对时变时滞下NARX模型的结构和参数的辨识方法。该辨识方法主要包括：首先采用加权多项式作为基函数来表达NARX模型，利用稀疏估计的基础，通过向参数先验中引入稀疏因子独立作用于每个子模型的权重，在整个变分贝叶斯框架下正确地将模型的结构选择出来。对于模型参数的辨识，将每一时刻的时滞值作为缺失变量，利用变分贝叶斯的迭代公式，随着模型结构的正确选择，将对应的未知参数和时变时滞估计出来。本发明的优点：(1)在时变时滞下，能将NARX模型的结构和参数有效地辨识出来(2)能实现对每一时刻时滞的分布进行估计。

摘要： 本发明公开了一种基于变分贝叶斯模型的红外弱小目标图像背景抑制方法，根据滑动窗口对红外图像进行分解，获得若干个相同大小且相互重叠的图像块，之后，根据kNN方法对所述获得的若干个相同大小且相互重叠的图像块进行聚类处理，获得若干个不同的红外图像块聚类，再根据变分贝叶斯理论模型抑制所述获得的红外图像块聚类中的背景成分，最后对经背景抑制的红外图像块聚类进行重构获得背景抑制后的图像。本发明有效地抑制红外图像中所包含的高灰度级、起伏剧烈的红外背景，并能够突出目标信息，便于后续的目标分割与检测。

摘要： 本发明公开了一种针对时变时滞下NARX模型的结构和参数的辨识方法。该辨识方法主要包括：首先采用加权多项式作为基函数来表达NARX模型，利用稀疏估计的基础，通过向参数先验中引入稀疏因子独立作用于每个子模型的权重，在整个变分贝叶斯框架下正确地将模型的结构选择出来。对于模型参数的辨识，将每一时刻的时滞值作为缺失变量，利用变分贝叶斯的迭代公式，随着模型结构的正确选择，将对应的未知参数和时变时滞估计出来。本发明的优点：(1)在时变时滞下，能将NARX模型的结构和参数有效地辨识出来(2)能实现对每一时刻时滞的分布进行估计。

摘要： 基于多径效应的变分贝叶斯压缩感知无源定位方法，在定位区域四周部署智能反射面；确定传感器节点以及虚拟传感器并采集无线链路的接收信号强度信息；对设定的定位区域进行网格化处理；建立基于改进椭圆模型的无源字典；用基于变分贝叶斯推理的压缩感知稀疏恢复算法估计目标位置、更新相关参数；网格裁剪；当测量残差小于设定阈值或达到最大迭代次数时终止，取最终迭代结果为目标定位结果。本发明利用虚拟节点模型的接收信号强度，在不额外增加硬件资源的情况下概念性的增加了传感器节点，并改进椭圆权重模型以量化目标阴影效应，通过处理后的无线链路接收信号强度估计目标位置，有效提高了定位精度。

摘要： 本发明提供一种基于变分贝叶斯的基因调控网络结构辨识方法，根据不完整和有噪声的基因表达时间序列数据中考虑基因调控网络GRN的结构推断，用含有未知噪声信息的随机非线性状态空间模型，描述了基因表达数据中的动态行为，采用变分贝叶斯VB框架来同时估计参数和基因表达水平，通过生成预测值，可以很容易地处理缺失的观测值；考虑到GRN的稀疏性，利用极端梯度增强树对平滑后的基因数据进行建模，并通过树模型中的重要性得分来识别基因间的调控相互作用。该方法能在观测值缺失的情况下，有效地恢复GRN的调控相互作用，并优于现有的GRN识别方法。

摘要： 公开一种基于变分贝叶斯理论的连续‑离散最大相关熵目标跟踪方法，包括：建立连续‑离散跟踪模型；引入平方根跟踪方法；建立SRCD‑VBMCCKF目标跟踪方法的时间更新过程；建立SRCD‑VBMCCKF目标跟踪方法的测量更新过程；建立任意运动时间的SRCD‑VBMCCKF目标跟踪方法。本发明能够对测量中的未知时变噪声和非高斯重尾突变噪声有效抑制，且相比于传统滤波方法，所提方法兼具自适应性和鲁棒性。

摘要： 本发明公开了一种未知噪声下的变分贝叶斯强跟踪PHD多目标跟踪方法，引入强跟踪原理，通过衰减因子来进一步修正状态估计协方差矩阵来增强卡尔曼滤波中新息或者说观测的作用，修正过程噪声的不精确对状态协方差的影响；利用逆威沙尔特分布和高斯乘积联合分布近似联合后验分布，采用VB近似技术推导鲁棒PHD滤波迭代，通过最小化KL散度来逼近后验概率密度；进而可有效地提高跟踪精度和计算时间效率。

摘要： 本发明公开了一种基于变分贝叶斯的分布协同非线性系统状态估计方法，通过以变分贝叶斯为基础，针对分布协同非线性目标跟踪系统过程噪声时变和观测噪声具有随机异常值的情况，选择IW分布和student’t分布作为目标状态一步预测协方差的先验分布和量测的分布，通过定点迭代的方法在各局部滤波器中求解目标状态和噪声参数的近似后验分布，采用CI融合方法对各局部滤波器的目标状态估计加权融合得到全局最优估计，最后再将全局最优估计反馈给各局部滤波器，提高了滤波器的估计精度和稳定性。

摘要： 本发明公开了一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法，采用椭球分布建模非高斯噪声，利用Inverse‑Wishart分布建模过程噪声和量测噪声的参数不确定性，通过变分贝叶斯学习方法得到目标状态和模型参数的后验分布，实现目标状态的在线估计和预测。本发明的特点：本发明在利用椭球分布建模非高斯噪声基础上，采用变分贝叶斯学习的方法，实现了复杂噪声环境下基于传感器网络的高精度目标跟踪，对于井下等复杂受限空间内的目标跟踪提供了计算简单、鲁棒性强的估计方法，高精度的目标跟踪结果对于保障人员和设备安全具有重要意义。

摘要： 本发明属于智能信号处理技术领域，具体的说是一种基于变分贝叶斯的分布式一致性目标状态估计方法。本发明是假设目标马尔科夫转移概率未知且时不变，通过变分贝叶斯方法完成马尔科夫转移概率估计，再结合量测与信息混合一致性处理完成分布式状态估计，从而解决了状态转移矩阵未知条件下的机动目标多模型状态估计问题。该方法有适用范围广，鲁棒性强，估计精度高等特点，实现了复杂场景下的机动目标跟踪和参数估计，可以满足设计需求，具有良好的工程应用价值。