分布式放大前传中继辅助多用户对等通信中的鲁棒波束成形

针对分布式放大前传中继辅助多用户对等通信系统研究了存在非理想信道状态信息(CSI)时的分布式中继网络(DRN)鲁棒波束成形设计问题。采用统计CSI误差模型,考虑了两种鲁棒优化问题:一是从公平性的角度出发在DRN总发送功率约束下实现多个目的节点间的信干噪比(SINR)平衡;另一是从有效性的角度出发在保证各个目的节点服务质量需求(SINR大于预设门限)约束下最小化DRN总发送功率。对问题的分析和建模表明,在多用户情况下,这两个问题都是难以求解的优化问题。通过引入半定松弛(SDR)思想,将上述两种优化问题转化为可利用内点法有效求解的半定规划(SDP)问题。最后通过仿真验证了所提设计的鲁棒性能。     

基于神经网络集成方法预测膜蛋白类型

由Chou等人提出的预测膜蛋白分类的机器学习算法在近年来不断改进,使得预测膜蛋白类型的准确率越来越高。但是由于膜蛋白类分布不均衡而导致少数类的预测准确率非常低,使用神经网络集成方法能解决此问题。该方法中Bagging算法通过对多数类欠采样和少数类过采样来解决膜蛋白训练数据集不均衡问题。此外,用神经网络集成方法对已训练数据集和独立数据集进行分类测试,得出神经网络集成方法预测效果优于单个最好神经网络。该方法为解决蛋白质分类预测问题提供了一种新的策略,特别是训练数据集不均衡时,该方法的优势更加明显。     

A robust queueing network analyzer based on indices of dispersion

We develop a robust queueing network analyzer algorithm to approximate the steady-state performance of a single-class open queueing network of single-server queues with Markovian routing. The algorithm allows nonrenewal external arrival processes, general service-time distributions and customer feedback. The algorithm is based on a decomposition approximation, where each flow is partially characterized by its rate and a continuous function that measures the stochastic variability over time. This function is a scaled version of the variance-time curve, called the index of dispersion for counts (IDC). The required IDC functions for the external arrival processes can be calculated from the model primitives or estimated from data. Approximations for the IDC functions of the internal flows are calculated by solving a set of linear equations. The theoretical basis is provided by heavy-traffic limits for the flows established in our previous papers. A robust queueing technique is used to generate approximations of the mean steady-state performance at each queue from the IDC of the total arrival flow and the service specification at that queue. The algorithm's effectiveness is supported by extensive simulation studies.     

杂波环境下机动目标跟踪算法研究

杂波环境下的机动目标跟踪问题具有非线性、非高斯、不完全观测的特点,其难点在于观测值与目标的对应关系及每一时刻的运动模式均呈现高度不确定性。文中将多模型理论和辅助粒子滤波算法相结合,提出了一种新的杂波环境下机动目标跟踪算法——多模型辅助粒子滤波算法(MMAPF)。仿真结果表明,该算法与传统的交互多模型——扩展卡尔曼滤波算法、辅助粒子滤波算法相比,在相同的情况下,具有更高的滤波精度和较好总体性能。     

基于改进PLOW算法的干涉相位滤波

针对合成孔径雷达干涉相位滤波问题,提出了一种改进的分块局部最佳维纳滤波算法（Patch-based Locally Optimal Wiener, PLOW）。该算法是加性高斯白噪声下的线性最小均方误差估计（Linear Minimum Mean Square Estimation, LMMSE）,利用目前图像滤波最前沿的技术——非局部技术,来联合估计图像的一、二阶矩。针对干涉相位中噪声的空变性,在应用中提出了两点改进：首先,估计噪声的标准差时,用均值代替中值;其次,根据噪声标准差的最大值和均值的比值,自适应的确定类的数量。经过仿真和实测数据验证,改进后的PLOW算法是有效的,并优于其他三种算法。     

基于时变量测方差的多传感器多目标优化分配算法

在目标跟踪过程中,目标的动态模型通常在笛卡尔坐标系中,而量测是在极/球坐标系中得到的。在基于卡尔曼滤波及其一些改进算法中,设定量测方差固定不变,可能导致滤波发散。为此提出了一种基于时变量测方差的多传感器资源管理算法。该算法通过统计方法求出转换测量值误差的均值和方差,利用转化卡尔曼滤波算法估计误差协方差,基于协方差的效能函数进行多传感器多目标分配。仿真结果显示该算法在目标跟踪过程中满足跟踪精度要求,并实现传感器资源的充分的利用。     

EEMD+BiGRU组合模型在短时交通流量预测中的应用

针对城市交通流随机波动性强、数据中含噪声多导致预测精度下降的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的组合交通流量预测模型,有效地提升了短时交通流预测的精度。模型利用EEMD算法对原始数据进行分解,根据分解所得的本征模函数(intrinsic mode function,IMF)分量绘制噪声能量图谱,去除分量中的噪声,并将去噪后的IMF分量作为BiGRU网络的输入进行训练,再将训练所得的结果进行重构加和,得到最终的预测结果。实验结果表明,未舍弃含有噪声的IMF分量进行重构的预测结果,相比于参考文献中提出的EMD+LSTM模型、LSTM模型和EEMD+LSTM模型,其平均绝对百分误差分别优化了42.36%、61.82%和30.95%;舍弃含有噪声的IMF分量后进行重构的预测结果,其平均绝对百分误差相比于将全部IMF分量进行重构优化了56.62%。     

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。     

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     

基于“当前”统计模型的机动目标自适应跟踪算法

针对"当前"统计模型对加速度极值及机动频率需人为设定的缺陷,提出了一种基于滤波残差的高斯型隶属度函数改进算法,该法在跟踪过程中对加速度极值进行自适应调整。引入一种基于残差的Sigmoid二次型隶属度函数,通过自适应改变机动频率,使模型趋于目标真实状态。理论分析和仿真结果表明,改进的模型避免了人为引入误差,提高了机动目标的跟踪精度,算法简单,易于工程实现。