基于改进MCMC的波束内目标与诱饵联合参数估计

波束内目标与诱饵的参数估计是导引头正确实现目标分选、完成波束指向调整与精确跟踪的必要条件。目标与诱饵的“紧密接近”导致接收回波混叠,使得常规参数测量与估计方法失效。基于实际采样处理中目标回波能量会“溢出”到相邻匹配滤波采样点这一信号模型,通过贝叶斯原理从观测的条件似然以及未知参数的先验分布获取待估计参数的后验概率分布,采用Markov Chain Monte Carlo (MCMC)方法中的Metropolis-Hastings (M-H)抽样算法联合估计目标与诱饵的相关参数,并根据拖曳式诱饵干扰对抗的特点对M-H抽样进行了改进。各种典型干扰条件及动态攻击场景下的仿真试验表明了本文方法的有效性。
     

基于机器学习的空间翻滚目标实时运动预测

借助监督式机器学习（ML）方法,对空间翻滚目标的运动状态预测问题进行研究,为空间机器人抓捕空间翻滚目标提供可靠的数据依据。基于物理模型的运动预测方法依赖理想的建模假设,需要连续的视觉反馈信息,解决目标预测问题的能力有限。因此,本文采用机器学习中纯数据驱动方式的稀疏伪输入高斯过程（SPGP）回归方法进行空间翻滚目标的运动预测。给定空间翻滚目标运动状态的历史观测数据,通过连续优化真实观测数据,得到稀疏的伪训练数据集,进而在线快速预测目标的运动状态,预测的计算效率达到毫秒级。此外,利用马尔科夫链蒙特卡洛（MCMC）法处理连续优化过程,克服由于随机初始值造成的优化过程陷入局部极小值问题。利用Snelson数据验证了所提稀疏伪输入高斯过程回归方法的正确性,并通过4组仿真算例验证了所提方法对于空间翻滚目标运动预测的有效性和鲁棒性。     

一种基于IS-MCMC的多目标跟踪算法

针对密集杂波环境下的多目标跟踪问题,提出了一种基于定向概率数据关联重要度采样的改进马尔可夫链蒙特卡洛(MCMC)算法(IS-MCMC)。首先,基于马尔可夫链蒙特卡洛方法求解具有最大后验概率的量测分配集,并根据量测与目标的定向关联概率进行重要度采样以提高收敛速度。其次,依据量测分配结果更新目标轨迹的感知概率和状态参数,并基于感知概率实现对轨迹起始、维持和终止的判断。为实现对目标的连续跟踪,采用滑窗方法,根据当前帧数据与上一窗口数据的处理结果构建初始量测分配集,利用IS-MCMC对当前加窗数据进行处理。不同杂波密度、目标密度和检测概率下的仿真实验表明,IS-MCMC相比MCMC在计算效率、轨迹跟踪性能和环境适应能力上更具优势。     

基于马尔可夫蒙特卡洛法的系统辨识方法研究及应用

提出了基于马尔可夫蒙特卡洛(MCMC)的贝叶斯辨识方法,以解决高超声速飞行器系统辨识中复杂动力学模型转换为简单或稀疏模型所带来的不确定性问题,以及存在的训练数据大和积分难处理的问题。该方法将数据退火算法引入MCMC中,不仅解决了MCMC易陷入局部最优的问题,并且将数据退火与“高信息训练数据”的概念相结合,能够以较低的计算成本分析大数据集。此外,该方法可以对参数估计过程中存在的不确定性进行量化,获得未知参数的最优估计值。通过仿真实验,验证了提出的系统辨识方法的有效性,辨识出的模型能够有效应用于控制器设计之中,并获得较好的控制效果。     

基于整体推断的Bayes方法及其在精度评定中的应用

验前分布的表示及验前信息的融合是Bayes小子样理论应用中的关键问题。 根据同一型号武器试验中不同状态下信息的横向互补特性,提出一种多源信息的整体推断方 法,将Dirichlet分布引入多源信息权重系数的验前信息中,建立基于Bayes网络的权重系数 推断模型,利用MCMC方法更新所有节点信息,得到了合理的权重系数验后分布,解决了多源 信息加权融合中权重系数难以确定的问题。仿真结果表明,该方法可以有效地融合验前分布 ,在精度评定中有一定的应用前景。
     

基于顺序约束的命中概率多批次试验统计评定方法

针对多批次试验中由技术状态改进所带来的异总体统计问题,研究了顺序约束条件下的命中概率指标统计评定方法。首先在X\|Y向不相关情况下,将命中概率指标归结为X向和Y向的准确度和密集度参数的估计。然后根据多批次试验规律,建立各个参数之间的顺序约束关系,基于Bayes方法获得验后分布密度核函数,并采用MCMC（Markov Chain Monte Carlo）方法获得各参数的验后抽样分布,进而获得命中概率指标的抽样分布,以此计算命中概率的期望和置信限。此外,针对运动目标或末端机动的情况,分析了X\|Y向相关情况下的命中概率指标计算方法。通过正交变换实现去相关处理,并在命中概率计算中引入旋转角度参数,从而解决运动目标情况下的多批次命中概率计算。最后,通过实例进行了验证,所得命中概率值优于传统方法所获得的统计结果,表明该方法对多批次试验具有良好的适应性和工程推广价值。
     

改进粒子滤波的弱目标跟踪与检测

基于粒子滤波的检测前跟踪技术（TBD\|PF）是低信噪比环境下目标检测与跟踪的有效方法。针对传统的TBD\|PF算法经重采样后容易导致粒子耗尽,从而跟丢目标的缺点。本文提出采用对权重较低的部分“存活”粒子用“新生”粒子将其替换,且对重采样后的粒子实施马尔科夫链蒙特卡洛（MCMC）移动步骤的粒子更新策略,在增加粒子多样性的同时保证了粒子的有效性。仿真实验分析了粒子数大小,预设门限的选取对检测性能的影响。实验结果表明,所提算法的检测与跟踪性能要优于传统的粒子滤波算法。
     

基于新Dirichlet先验分布的超参数确定方法研究

研究了基于新Dirichlet先验分布的Bayesian可靠性增长模型的超参数 确定方法,该方法将专家经验表示为均匀分布,以先验参数为变量,将均值作为约束条件、 方差作为目标,利用最优化方法求出与该均匀分布最为接近的Beta分布,解决了由于新
Dirichlet先验分布超参数物理意义不明确而难以确定的问题。针对后验积分难以计算的问 题,采用WinBUGS软件建立了新Dirichlet先验分布的Bayesian可靠性增长模型,该模型思路 清晰、简单易行,提高了计算的精度,实例证明了该模型在可靠性应用中的直观性与有效性 。     

A Bayesian approach for integrating multilevel priors and data for aerospace system reliability assessment

This paper investigates Bayesian methods for aerospace system reliability analysis using various sources of test data and expert knowledge at both subsystem and system levels. Four scenarios based on available information for the priors and test data of a system and/or subsystems are studied using specific Bayesian inference techniques. This paper proposes the Bayesian melding method for integrating subsystem-level priors with system-level priors for both system- and subsystem-level reliability analysis. System and subsystem reliability outcomes are compared under different scenarios. Computational challenges for posterior inferences using the sophisticated Bayesian melding method are addressed using Markov Chain Monte Carlo (MCMC) and adaptive Sampling Importance Re-sampling (SIR) methods. A case study with simulation results illustrates the applications of the proposed methods and provides insights for aerospace system reliability analysis using available multilevel information.     

基于Bayes网络的多源信息融合方法在精度评定中的应用

提出了一种基于多源验前信息融合的Bayes精度评定方法。利用Bayes网络进行多源验前信息融合时,能够结合现场试验数据,对信息加权因子做出较为合理的推断。根据验前及验后数据,通过Bayes网络中的MC—MC方法可以快速地获取各变量的验后统计特性,达到估计现场试验精度的目的。因此,基于多源验前信息融合的Bayes方法可用于解决小样本下的精度评定问题,仿真结果表明了该方法的有效性。