空间角度相近多干扰源DOA估计

针对空间角度相近多个干扰源DOA估计时,经典MUSIC算法估计性能与分辨效果不佳的问题,提出了一种改进的MUSIC算法。该算法利用干扰与目标回波信号的特征,划分出干扰子空间、信号与噪声子空间,重新构造了空间谱函数。通过对经典MUSIC算法与改进的MUSIC算法DOA估计的仿真分析,结果表明,在小快拍数、多干扰源空间角度相近、低信干比的情况下,改进的MUSIC算法估计性能与分辨精度更佳。     

基于非参数统计的加速退化试验优化设计北大核心

加速退化试验优化设计研究如何在有限的费用约束下设计方案以减少试验评估误差。采用参数统计分析试验数据需要假设分布函数,当假设错误时会引起较大的误差,而采用非参数统计分析,通过数据本身来寻找合适的回归模型则可避免这一问题。以试验费用为约束,进行加速退化试验优化设计,给出各优化变量:试验应力水平、各应力水平下样本量、性能监测次数和监测间隔,最后通过仿真算例说明该加速退化试验优化设计方法的应用。     

基于控制器动态线性化的数据驱动ILC

针对未知非线性非仿射重复离散时间系统,将迭代域的动态线性化技术应用于非线性被控系统和未知非线性理想学习控制器,提出一种新的数据驱动迭代学习控制方案。通过设计一种改进的无模型自适应迭代学习控制算法对理想学习控制器的增益进行估计,该方案仅利用非线性系统的输入输出数据,便可自动调整迭代学习控制律。数值仿真和对高速列车模型的仿真验证了该方法的有效性和适用性。     

双边定时截尾下广义Pareto分布的可靠性分析

基于双边定时截尾样本,研究广义Pareto分布的形状参数和可靠性指标的估计问题。在进行极大似然估计时,由于似然方程无解析解,故采用EM算法。对形状参数选取,4信息先验,在平方损失下,研究给出广义Pareto分布的形状参数和可靠性指标的Bayes估计。通过Monte-Carlo模拟对形状参数和可靠度函数的极大似然估计、EM估计和Bayes估计的效果进行比较。模拟结果说明,Bayes方法和EM算法适合在小样本场合下对形状参数进行估计,Bayes方法和极大似然估计法适合在大样本场合下对形状参数估计,极大似然估计方法和EM算法适合对可靠度进行估计。     

Huber加权的频率稳定度非相关差分抗差估计方法

计算原子钟频率稳定度时,钟差观测异常会导致Allan方差出现较大的估计偏差。建立Allan方差的差分估计模型,根据钟差的差分序列统计特性分析了相关差分估计的噪声识别与白化等计算复杂度问题;针对上述难点提出一种基于Huber权函数的非相关差分抗差估计方法,建立一种非相关差分序列的构造方法,有效避免了复杂的噪声识别及白化计算;给出Allan方差的非相关差分抗差估计的推导,并对抗差过程引入的误差累积给出了一种抵消方法;给出完整的抗差估计方案,并利用实测数据进行了实验验证。实验结果表明本方法对相位单点跳变、相位阶跃跳变具有显著的抗差能力,抗差估计可使异常引入的相对偏差由近200%降至10%以内。     

保证率点值区间估计的Monte-Carlo方法

提出了一种根据实测样本系列对保证率点值进行区间估计的Ｍｏｎｔｅ─Ｃａｒｌｏ方法。对于具有正态分布或对数正态分布的样本,首先推出总体参数的分布,然后用Ｍｏｎｔｅ─Ｃａｒｌｏ法生成总体参数系列,据此求得相应的保证率点值系列,最后通过经验分布推得在给定置信度下保证率点值的区间估计,本文还给出了一个算例。     

噪声统计的Bayes 极大验后估计与系统自适滤波

对于具有测量的线性离散系统,在系统动力学噪声与测量统计特性未知的情况下,本文推导出了噪声统计特性在具有正态－逆Ｗｉｓｈａｒｔ分布验前信息情况之下的Ｂａｙｅｓ极大验后（ＭＡＰ）估计及其实时迫近,从而获得了系统的自适应滤波     

双边定数截尾试验下广义指数分布的可靠性分析

基于双边定数截尾试验,在无信息先验和共轭先验下,给出了广义指数分布参数的Bayes估计。同时在熵损失和加权平方损失函数下,给出可靠度函数的贝叶斯估计。最后运用Monte Carlo方法对估计结果进行了模拟比较。     

基于FOCUSS改进算法的DOA估计方法

传统的DOA估计方法不能有效分辨相干源目标;稀疏重构方法能够处理相干源的DOA估计问题,但现有稀疏重构方法大都是针对无噪声或仅存在观测噪声系统提出的,估计性能有待提高。对于同时存在观测噪声和模型噪声的多观测量模型,提出了一种基于FOCUSS稀疏重构的改进算法,可鲁棒地处理相干源、非相干源的DOA估计问题,有效提高分辨力和估计精度等估计性能。给出了DOA估计的稀疏信号模型以及新算法的推导过程,仿真实验证明了新算法在与其他算法对比时的优越性。     

基于影响网络的态势估计

为克服传统贝叶斯网络进行态势估计时,在主观性环境下条件概率难以获取和指定条件概率表的工作量随贝叶斯网络中节点数量的增长呈指数增长的问题,提出了用影响网络对态势估计进行建模的方法;基于影响网络的态势估计模型,在继承传统贝叶斯网络结构的基础上,利用促进与抑制两种因果影响关系使建模更为直观、易懂,更好地表现证据节点对其子节点的影响关系;利用CAST逻辑使条件概率表的获取更为简单,解决了条件概率随节点增长而指数增长的问题,并能很好地表现专家知识以及为条件概率表的获取时提供了一种新的解决方法。