基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法

杂波谱稀疏恢复空时自适应处理（STAP）是一种有效减少杂波样本数需求的机载雷达杂波抑制方法。然而,空时平面被离散地划分为若干个网格点来构建空时导向矢量字典,当字典在失配时,杂波脊不能准确落在预先离散化的网格点上,稀疏恢复STAP性能严重下降。提出了一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法,首先利用二维泰勒级数建立空时动态字典模型,然后将字典失配误差作为待估超参数构建贝叶斯稀疏恢复模型,并利用失配误差估计值对空时导向矢量字典进行修正,最后利用修正后的空时导向矢量字典重构杂波协方差矩阵,进而计算杂波空时谱。实验证明,该方法能够有效提高字典失配情况下的杂波谱稀疏恢复精度,杂波抑制性能优于已有字典预先离散化的稀疏贝叶斯学习STAP方法。     

Assessment of the impact of dimensionality reduction methods on information classes and classifiers for hyperspectral image classification by multiple classifier system

Identification of the appropriate combination of classifier and dimensionality reduction method has been a recurring task for various hyperspectral image classification scenarios. Image classification by multiple classifier system has been evolving as a promising method for enhancing accuracy and reliability of image classification. Because of the diversity in generalization capabilities of various dimensionality reduction methods, the classifier optimal to the problem and hence the accuracy of image classification varies considerably. The impact of including multiple dimensionality reduction methods in the MCS architecture for the supervised classification of a hyperspectral image for land cover classification has been assessed in this study. Multi-source airborne hyperspectral images acquired over five different sites covering a range of land cover categories have been classified by a multiple classifier system and compared against the classification results obtained from support vector machines (SVM). The MCS offers acceptable classification results across the images or sites when there are multiple dimensionality reduction methods in addition to different classifiers. Apart from offering acceptable classification results, the MCS indicates about 5% increase in the overall accuracy when compared to the SVM classifier across the hyperspectral images and sites. Results indicate the presence of dimensionality reduction method specific empirical preferences by land cover categories for certain classifiers thereby demanding the design of MCS to support adaptive selection of classifiers and dimensionality reduction methods for hyperspectral image classification.     

非圆信号的贝叶斯稀疏重构阵列测向方法

对信号非圆特性的有效利用能显著改善子空间类阵列测向方法的性能,但难以弥补此类方法在低信噪比（SNR）、小样本等信号环境适应能力方面的局限。本文引入贝叶斯稀疏学习（SBL）技术以解决非圆信号的波达方向（DOA）估计问题,在结合信号非圆特性的同时对入射信号的空域稀疏性加以利用,通过将非圆信号阵列输出协方差矩阵和共轭协方差矩阵在预先定义的空域字典集上进行稀疏重构,得到入射信号的空间谱重构结果,并依据其谱峰位置估计各信号的方向。该方法对独立和相关信号都具有较好的适应能力,仿真结果验证了该方法在信号环境适应能力和相关信号测向精度等方面的优势。     

动态分布参数验前分布的稳健性分析

讨论了动态分布参数的验前建模问题,并由此运用边缘分布给出验前分布的ML-Ⅱ估计;对于不同的验前分布所引起的验后稳健性问题作了初步分析。     

连续分布的Bayes双样预测的通用公式

针对一般的连续分布,给出了Bayes双样预测所需的大小为N的未来样本的第j个（j=1,2,,N）顺序统计量的条件概率密度函数、条件可靠度、条件均值的通用公式,并将之应用于最常见的连续分布。     

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 。     

卫星多源信息贝叶斯融合方法研究

卫星在研制设计过程中存在大量不确定性因素,对卫星的可靠性及性能造成直接影响。如何实现复杂卫星系统的不确定性建模是目前亟需解决的问题,而多源分布信息融合是不确定性建模的关键。此外,在实际系统中,由于时间、成本的约束很难直接获得系统的分布信息。针对在系统信息缺失情况下如何实现卫星系统的多源信息融合问题,提出多层系统结构模块化与系统信息合成的方法。通过系统结构的分解,将已知的低层级信息与高层级信息进行融合,进而采用诱导推断的方式使得系统节点从“无信息”至“有信息”。通过某卫星姿态控制系统算例分析得到,提出的方法能充分利用系统结构关系,有效融合并更新各个组件、子系统的分布信息,解决了系统信息缺失的问题,为进一步开展卫星系统不确定性设计优化提供参考。     

Softmax分类器深度学习图像分类方法应用综述

基于深度学习的人工智能图像分类方法研究是当前计算机视觉领域的研究热点。面向深度学习中的Softmax图像分类方法,首先回顾了图像分类技术的发展历程,接着介绍了图像识别技术中的分类器,并解释了Softmax回归函数的分类实现原理。基于Softmax回归分类器的应用,详细阐述了多种图像分类技术,具体包括浅层神经网络、深度置信网络、深度自编码器和卷积神经网络。同时,对比介绍了各种级联模型的具体结构、训练方法、实际应用、分类效果以及优缺点。最后,从Softmax回归分类器、深度学习网络模型和高维数据分类三个方面对基于Softmax回归分类器的深度学习模型在图像分类方面的发展与应用前景进行了展望。     

基于继承因子的飞机弹射救生座椅可靠性Bayes评估

为了更有效地解决飞机弹射救生座椅可靠性评估的问题,考虑飞机弹射救生座椅子系统试验数据与系统试验数据之间既有联系又有区别的特点,采用继承因子描述这两种试验数据之间的相似性,建立了一种基于继承因子的飞机弹射救生座椅Bayes可靠性评估方法。采用该方法对某型飞机弹射救生座椅可靠性进行了评估,在置信度90%的情况下其可靠度下限达到了0.954。结果表明,在相同的系统级试验样本量情况下,评估结果比经典统计方法更合理。     

基于贝叶斯理论的低循环疲劳寿命模型不确定性量化

为量化低循环疲劳寿命模型中的不确定性因素,利用贝叶斯理论,采用经典的模型校准形式确立了寿命模型的不确定性量化形式,并结合正态性检验对误差项进行验证;应用马尔可夫链-蒙特卡罗(MCMC)算法获得了模型参数后验分布的抽样样本,在小子样试验数据条件下确定了低循环疲劳寿命的95%不确定性区间,较好地覆盖了寿命的分散性;对参数样本进行了相关性分析,并将异方差回归概率模型与贝叶斯概率模型进行了比较。最后,利用Morris全局灵敏度分析方法获得了Manson-Coffin模型参数的全局灵敏度指标;同时,验证了在模型参数对先验信息敏感,或者说在先验信息影响极大的情况下,采用无信息先验处理方法的合理性。