一、联合概率密度函数的一个性质（论文文献综述）
尹伊敏[1]（2020）在《基于信息流的系统灵敏度分析》文中研究指明信息流是系统动力学分析中的一个重要概念,在系统科学、气象学、神经科学、海洋学、生物学、网络动力学、金融经济学、统计物理学、湍流、数据科学以及人工智能等众多学术领域中有着广泛的应用和研究。本文在已有的单因素信息流基础上,研究了高维动力系统多因素信息流的统计特性以及应用,并从信息流的角度出发,提出了基于信息流的多输出响应全局灵敏度分析方法。本文的主要工作和创新点如下:1.建立了关于绝对熵的多因素信息流分析方法.根据高维动力系统中不同变量间演化过程的不确定性来自于内在的熵变和通过其他变量传输的机理,在基于单因素信息流的基础上,分别建立了确定性动力系统的连续和离散情形下的多因素信息流公式,同时给出了相关的性质,且讨论了其与单因素信息流公式之间的关系。主要是对三维系统中的多因素信息流进行了分析,但利用同样的推导过程可将其推广到高维系统的多因素信息流。推广的关于绝对熵的多因素信息流公式在经典的Lorenz系统和Chua系统中得以验证,且在应用中给出了表征非线性强度的相关公式。多因素信息流公式可以量化多变量间信息传输的不确定性,有利于研究系统的动力学行为以及渐近性质,仿真结果表明,动力系统的多因素信息流可揭示部分潜在的物理信息,可用于不确定性量化相关问题的研究。2.建立了关于相对熵的广义多因素信息流分析方法.高维动力系统中各分量可预测性的变化可能来自于分量自身的演化以及其他分量在演化过程中的信息传输。在关于相对熵的单因素信息流和绝对熵的多因素信息流理论基础上,考虑到相对熵的任意非线性坐标下保持不变等特性,建立了高维确定性动力系统中关于相对熵或者Kullback-Leiber散度的广义多因素信息流公式,并讨论了关于相对熵的广义多因素信息流的理论性质,同时分析了其与关于相对熵的单因素信息流公式以及关于绝对熵的多因素信息流公式之间的关系。给出了三维动力系统中从两个分量到另一个分量的关于相对熵的多因素信息流公式,推广了高维系统中从两个分量到另一个分量的关于相对熵的广义多因素信息流公式且给出了适用于高维系统的多分量间的关于相对熵的广义多因素信息流公式。最后研究了所推广的公式在R?ssler系统和一个四维系统中的应用,仿真结果表明,推广的公式可以识别变量间非直接的信息传输,有利于进一步了解复杂动力系统内在的机理。多因素信息流提供了变量间信息传输的一种量化方式,可用于高维复杂动力系统中不确定性的传播、系统预测以及多输出全局灵敏度分析方法的研究。3.提出了基于信息流的多输出全局灵敏度分析方法.信息流公式是基于动力系统的联合概率密度函数基础上定义而来,因此可以用信息流来表示多输出响应系统的整体不确定性信息。将信息流作为全局灵敏度分析指标,结合信息流的优良特性,提出了一种新的基于信息流的多输出全局灵敏度分析方法,用以确定输入变量的不确定性对多输出响应的不确定性的影响程度,并说明了本文所提方法与适用于线性模型的相关系数法的区别。通过对信息流公式进行计算即可量化变量间的不确定性,该方法不仅对输入变量没有限制且表征了完整的输出响应不确定性,并可用于实验数据的灵敏度分析,同时计算简便,易于完成,符合大数据环境下对灵敏度分析的需求。最后通过数值算例分析与工程测试算例验证了本文方法的有效性和适用性,且将该方法应用于分析风洞试验中攻角的扰动对NACA0012气动实验结果的影响。
杨玉[2]（2019）在《基于HOM干涉仪的量子精密测距方法研究》文中研究说明针对不同的应用场景,传统测距技术不断发展,例如超声波测距、红外测距、电磁波测距、激光测距等,但获得的距离分辨率始终受限于标准量子极限（Standard Quantum Limit,SQL）或散粒噪声极限（Shot Noise Limit,SNL）。与之不同,量子精密测距技术通过利用特有的量子属性,比如量子纠缠态或量子压缩态,可以突破束缚传统测距技术的标准量子极限,使测距精度提升至海森堡极限（Heisenberg Limit,HL）。特别是基于Hong-Ou-Mandel（HOM）干涉仪的量子精密测距方案,可以提供100 fs（亚皮秒级别）的时间间隔分辨率,即微米级别的测距精度。这无疑为未来新型导航定位系统的研究带来了新思路,具有重要的应用价值。本文深入剖析了HOM干涉仪的测距原理,即时间延迟参数的零值与光子符合计数结果的零值（称为“Mandel Dip”）之间,具有唯一对应关系（“HOM效应”）。并且给出了几种扩展型HOM干涉仪结构,通过将“Mandel Dip”从单个时延参数形式扩展至多个时延参数形式的手段,实现了“HOM效应”的高维扩展,解决了多个独立时间延迟参数的数值估计问题,得到了多对光学路径的路程差,达到了量子测距的目的。此外,借助于扩展型HOM干涉仪测距精度高、安全性好的特征,分别从量子定位与量子通信两个角度提出了实际应用方案,说明基于HOM干涉仪的量子精密测距方法具有广泛的应用前景。相关的主要研究工作和成果包括:1.针对传统HOM干涉仪仅采用频率纠缠光子作为输入,并未考虑经典光作为输入的研究背景,比较分析了基于量子光源与经典光源的HOM干涉仪测距性能。通过分析双光子态和相干态各自引起的光子符合计数结果发现,在理想信道上分别采用双光子态与相干态作为输入,均可以实现“HOM效应”,但由相干态引起的光子符合计数零值伴随着一系列的参数快速抖动。这样的参数抖动直接影响光子符合计数结果的下降沿可见度,表明了量子光源是相较于经典光源的更优选择。此外还对比分析了衰减信道上由两种量子态分别引起的光子符合计数结果,用于说明光子损耗对HOM干涉仪测距性能的影响。2.针对传统HOM干涉仪仅能估计出单个时间延迟参数数值的局限性,提出了一个两时延参数HOM干涉仪方案,相比于传统HOM干涉仪结构,添加了另一个50:50分束器（Beam Splitter,BS）以及一个四分之一波片。在理想情况下,以双光子态作为输入,实现了“HOM效应”的二维扩展,即通过识别两时延参数形式的“Mandel Dip”特征,可以估计出两个独立时间延迟参数的数值,实现量子测距。但在参数抖动情况下,该光子符合计数结果的唯一零值却不再存在,但是两个独立时间延迟参数的数值,仍然可以通过光子符合计数结果的对称特征得到估计。此外,在理想信道与衰减信道上,通过对比分析由双光子态和相干态分别引起的光子符合计数结果,说明了以量子光源作为输入光源所带来的测距优势。3.针对多个独立时间延迟参数的估计问题,提出了一个三时延参数HOM干涉仪方案。与两时延参数HOM干涉仪相比,该光路结构中添加了另一个50:50 BS,一个四分之一波片仍然保留。通过遍历不同时延参数情况下,基于双光子态的光子符合计数结果发现,符合计数结果的零值并不能与所有时延参数均为零的情况,形成唯一对应关系。即并不能利用三时延参数形式的“Mandel Dip”实现“HOM效应”的三维扩展。但即便如此,在参数抖动情况下,三个独立时间延迟参数的数值仍然可以通过光子符合计数结果的对称特征,分两个步骤得到估计。4.针对上述两种扩展型HOM干涉仪的实际应用前景,以量子定位系统（Quantum Positioning System,QPS）为例,从理论上提出了基于两种扩展型HOM干涉仪的新型量子定位系统理论模型。特别针对基于两时延参数HOM干涉仪的QPS简化模型,详细推导了目标用户的空间三维坐标解算过程。与传统QPS相比,新型QPS仅需要两个两时延参数HOM干涉仪,即可求解出目标用户的四维空时坐标。如果仅需求解目标用户的三维空间坐标,使用一个三时延参数HOM干涉仪即可实现,优化了QPS的硬件资源。5.针对真空诱骗态BB84量子密钥分发（Quantum Key Distribution,QKD）协议中,单光子到达时间精度低的缺陷,提出了一种结合量子精密测距方法的QKD优化方案。具体来讲,采用M个纠缠光子的平均到达时间（Time of Arrival,TOA）代替传统方案中的单光子TOA,可以实现更低的密钥误码率和更高的密钥成码率。并且针对实际信道中,完全纠缠光子方案对光子损耗十分敏感的缺陷,进一步提出了部分纠缠光子方案与分组纠缠光子方案。特别是分组纠缠光子方案,以牺牲部分TOA精度为代价,提升了QKD系统对光子损耗的抵抗性。此外,进一步讨论了在衰减信道上,从三种方案中选择最优方案的策略。仿真结果表明,无论哪一种方案被选择,由其带来的QKD性能均好于传统单光子方案中的QKD性能。
王惠刚[3]（2002）在《自适应盲信号处理理论及应用研究》文中研究说明盲信号处理是一个非常广泛的议题，在许多实际系统中有着应用。本篇论文主要讨论了自适应盲源分离的基本原理和算法，并把源信号具有统计独立同分布的假定扩展到更实际的情形，分别研究了时间相关源的盲分离、非平稳信号的盲分离以及带噪的盲估计，并最终用一个简单的试验来证实其应用。 盲源分离是从观测数据中分离出未知但相互统计独立的信号，混合的过程假定为线性时不变系统。获取盲分离的准则主要从信息论的角度出发，包括信息最大化方法、最小互信息方法和最大似然概率准则，这些准则在一定条件下是等价的。与源的概率密度相关的非线性函数影响着自适应算法的性能，如稳定性、收敛速度和均方误差等。高斯混合模型被用来逼近源的概率密度函数，并导致了一种更鲁棒的盲分离算法。通过讨论卷积混合模型和瞬时混合模型的关系，这些算法也可以扩展到卷积混合模型中，推导了一序列更实用的自适应盲反卷积算法。 时间相关源和非平稳信号的盲分离不仅可以利用源的非高斯性来分离信号，而且还可以利用源信号自身的特性——谱特性和非平稳性来实现分离，因此简单的二阶统计量方法就成为主要的准则。多个矩阵的联合近似对角化（JADE）算法和自适应去相关算法被证明能够获得比较优异的性能。 噪声的存在影响了盲分离算法的性能，通过线性变换不能获得源信号的精确估计。混合参数和源参数的精确估计能有效地重构源信号，一种基于高斯混合模型的盲参数估计自适应算法被证明是有效的。同时也讨论了白噪声下时间相关源和非平稳信号的盲参数估计方法。 最后通过水池试验展示了盲分离算法的应用。
王征[4]（2019）在《基于变分学习与推断的概率生成模型研究及应用》文中认为概率生成模型是机器学习领域中的一类重要模型,在许多问题上有着广泛的应用,并且展现了出色的效果。本文主要研究某几种具有隐变量的概率生成模型,包括其本身的性质以及应用。具体而言,是深度玻尔兹曼机和序列变分自编码器这两类模型,而这两类模型的学习和训练都需要用到变分学习的框架。变分学习提供了一种与马尔可夫链蒙特卡洛方法不同的框架,将原始问题所求转化为某个优化问题的解,在转化之后,求解的过程一般更加方便和高效。在深度学习领域中,一般使用多层神经网络作为拟合函数,此时,传统的在某个特定的函数空间中对目标泛函进行优化的过程,可以转变为对神经网络参数进行学习的过程,并纳入神经网络的优化框架中进行求解,这大大简化了解决问题的过程,使得基于神经网络的变分方法能够应用于更广泛更复杂的问题上。本文首先介绍了一类具有特殊结构的基于无向图的经典概率生成模型,即深度玻尔兹曼机,阐述其原理,并根据其特点,提出了一种新的形状修复算法。通过设置合适的掩模,并从深度玻尔兹曼机中采样,该方法能够在不借助缺失区域先验信息的情况下,完成对形状的修复。本文随后引入了一类新的概率生成模型,即神经自回归密度估计器,它是由受限玻尔兹曼机启发而得到的。我们将该模型与深度玻尔兹曼机训练过程中的平均场方法结合,提出了一种改进的变分学习算法,并利用改进后的变分学习框架训练深度玻尔兹曼机。实验表明使用该算法训练得到的模型,比原先的深度玻尔兹曼机具有更加优良的性能。序列变分自编码器是另一类重要的概率生成模型。我们将自注意力机制引入到序列变分自编码器中,并提出一种整合的框架,将之应用于文本处理任务中,使得模型能够同时处理文本分类问题和文本生成问题。通过显式地将类别信息引入解码器,模型能够根据类别信息生成不同种类的文本。另外,本文还对序列变分自编码器的隐空间结构进行了研究。首先利用重要性采样,改善了原先的变分下界,使得变分下界更紧,令学习得到的变分后验概率与真实的后验概率距离更近。随后又将正规流的方法引入序列变分自编码器,基于正规流的变分后验概率能够更好地拟合后验概率,提高后验概率对应的隐空间的灵活性。实验结果表明,通过参数的调节,基于正规流的序列变分自编码器能够得到三种不同的生成模式,将原始的序列变分自编码器以及基于重要性采样的序列变分自编码器的性质统一在一个框架中。同时,在正规流的作用下,隐空间的结构也被拓展了。
黄树强[5]（2019）在《基于贝叶斯理论和子集模拟优化的有限元模型修正方法及应用》文中研究说明建立准确的有限元模型是开展结构动力响应预测、损伤识别、健康监测、性能评估的基础。由于测试误差及模型误差的存在,需要依据实测数据对有限元模型进行修正,以便建立符合结构现状的模型。由于预测误差的不确定性,尤其是实测数据采用结构现场环境振动测试数据时,由于其信噪比较激振测试低,对模型参数不确定性的量化就显得尤为重要。基于贝叶斯理论的模型修正方法不仅可以得到模型参数的最优值,还可以得到定量的模型参数的不确定性。但目前贝叶斯数值优化方法在求解多峰值、不连续和非线性问题存在诸多缺陷,易陷入局部最优解;贝叶斯随机优化方法计算效率低,且多数方法不能高效用于工程结构精细化有限元模型的修正。因此本文对基于环境振动测试和贝叶斯理论的有限元模型修正方法展开研究,提出一种高效的可得到全局最优解的方法,并将其用于实际工程精细化有限元模型的自动修正。本文的主要研究内容及结论如下:（1）提出了基于贝叶斯理论和子集模拟优化算法的有限元模型修正方法,该方法的基本思想是:将基于环境振动测试数据和快速贝叶斯模态参数识别方法得到的结构模态参数的最有可能值及变异系数作为已知数据,利用贝叶斯理论建立不确定性模型参数修正的目标函数,将高效的子集模拟优化算法扩展应用至不确定性模型参数的全局最优求解,进而利用所得模型参数的最有可能值计算得到定量表征其不确定性的后验变异系数。将所提方法用于已知模拟环境振动测试数据的两自由度数值模型参数修正中,修正结果与数值解吻合较好,验证了所提方法的可行性;并与基于贝叶斯理论和MCMC随机优化的有限元模型修正方法在全局最优解和计算效率方面进行了对比。所提方法在全局优化和模拟抽样更具优势。（2）利用已知模拟环境振动测试数据的两自由度数值模型分析了层间样本数、层间接受概率和终止判据等算法参数对所提方法修正效率的影响,结果表明:层间样本数对收敛速度影响较小,但影响样本在设计空间的覆盖率;层间概率越小,收敛速率越快,在计算量可接受的情况下,建议采用自适应层间概率,可提高优化结果的可靠度;模型修正中修正参数的统计特性至关重要,建议层间模拟样本的标准差在约定精度下作为终止判据的控制条件。将所提方法用于已知模拟环境振动测试数据的四层框架结构有限元模型的修正,分析了测点信息与修正参数关系、测点与修正点误差对修正结果的影响,结果表明:实测信息过少,或实测信息和模型修正参数在空间上不对应均是不可修正问题,修正参数的准确度会随着修正点与测点误差增大而减小。（3）将所提方法用于某高层砌体结构基于环境振动测试数据的精细化有限元模型修正中。首先开展了该砌体结构现场环境振动测试及基于贝叶斯理论的模态参数识别;其次通过SAP2000建立其精细化有限元模型;最后将识别得到该结构的模态信息作为修正数值依据,利用所提方法,基于软件间交互方式,实现了所提方法在实际结构精细化有限元模型自动修正的应用,得到了符合该砌体结构现状的模型参数及其定量的不确定性,为其后续响应预测及性能评估提供了基准模型。
郑小虎[6]（2018）在《面向卫星不确定性总体设计优化的贝叶斯网络研究》文中研究指明随着卫星系统的总体性能指标越来越高,对卫星系统的总体设计提出了严格的要求。在卫星总体设计阶段,如何分析量化不确定性因素对卫星可靠性的影响,以此指导卫星系统总体设计优化,是亟待解决的重要问题。针对卫星复杂系统的可靠性建模与分析问题,贝叶斯网络是有效解决手段之一。但是随着卫星系统组件的增多,组件的状态组合呈指数增长,甚至出现组合爆炸,由此导致贝叶斯网络的建模与分析面临巨大挑战。针对该问题,本文基于贝叶斯网络和压缩推理思想发展了高效、精确的复杂系统可靠性建模与分析方法,并将其应用于卫星不确定性总体设计优化中。主要研究工作包括以下四个方面:首先,本文对贝叶斯网络的发展现状及应用进行了研究,总结概括了目前贝叶斯网络的建模方法、贝叶斯网络在工程领域的国内外应用现状以及基于贝叶斯网络的系统可靠性分析方法、贝叶斯网络的优缺点。基于贝叶斯网络的研究现状及应用,详细介绍了其中一种能够很好解决二态系统状态组合爆炸问题的压缩推理算法。其次,针对现有的二态系统压缩和推理算法的缺点,本文提出了改进的压缩推理算法,实现了对任意二态节点概率表的有效压缩,并分别针对二态独立和非独立情况发展了贝叶斯网络推理算法,在此基础上形成了复杂二态系统的贝叶斯网络可靠性建模与高效分析方法。然后,针对多态系统复杂性,本文提出了多态系统的贝叶斯网络压缩推理算法。针对独立、非独立多态系统,本文提出了多种多态节点概率表的多态压缩算法,能够实现对任意多态节点概率表的有效压缩。基于多态压缩算法压缩得到的压缩后的节点概率表,本文提出了用于复杂多态系统的贝叶斯网络可靠性建模与分析的独立多态推理算法和非独立多态推理算法,并且提出推理过程涉及的多态中间变量的构建规则。基于多态压缩推理算法,本文形成了复杂多态系统的贝叶斯网络可靠性建模与分析方法。最后,通过数值和工程算例分析验证了本文提出的二态、多态贝叶斯网络压缩推理算法的有效性,并将其应用于卫星系统可靠性分析、卫星姿态控制系统可靠性分析以及卫星可靠性设计优化问题中。基于本文提出的贝叶斯网络压缩推理算法、AgenaRisk软件以及MATLAB的BNT工具箱三种方法分别对卫星系统、卫星姿态控制系统进行可靠性建模与分析,结果验证了本文提出方法的正确性以及高效性。在卫星系统可靠性设计优化中,基于本文提出的方法对卫星系统进行可靠性建模与分析,并通过粒子群优化算法对卫星总体方案进行优化,获得了满足卫星总体可靠性设计指标的较优设计方案。论文对压缩推理算法进行了深入全面地研究,二态、多态压缩推理算法的提出能够有效地解决基于贝叶斯网络的独立、非独立复杂系统可靠性分析中涉及的状态组合爆炸问题。在卫星总体设计阶段,通过压缩推理算法分析量化不确定性因素对卫星可靠性的影响,以此指导卫星系统总体设计优化。
戴奉周[7]（2010）在《宽带雷达信号处理 ——检测、杂波抑制与认知跟踪》文中进行了进一步梳理与窄带雷达相比,宽带雷达在许多方面都具有优势。例如,可以获得更多的目标和环境信息,以实现目标成像或地形测绘,也有利于实现可靠的目标识别和分类;可以提高雷达对杂波中目标的检测能力;可以更加精确地测量目标的位置和运动参数;具有更好的电磁兼容性能,以对抗各种有源和无源干扰;具有更好的低截获性能;可以更加灵活地使用发射波形与目标和环境相匹配,以改善雷达的整体性能。因此,宽带雷达具有应对日益复杂的任务需求和战场环境的潜力,成为雷达发展的趋势。研究宽带雷达信号处理的基本理论和方法,具有重要的理论意义和工程价值。本文主要对宽带雷达信号处理中的目标检测、杂波抑制和目标回波的相参积累以及基于在线波形优化的宽带认知跟踪等三方面的基本理论和技术进行了深入研究。具体工作可概括为如下的五个部分:1.比较分析了宽带和窄带雷达在噪声中检测目标的性能。首先讨论了宽带与窄带雷达的雷达方程和目标散射截面积（RCS）;随后,介绍了三种根据真实目标散射中心分布情况而抽象出的宽带雷达回波统计模型:宽带无起伏目标,宽带瑞利起伏目标及宽带莱斯起伏目标;然后推导了宽带和窄带雷达对符合这三种模型的目标的检测概率,指出宽带雷达的检测性能与窄带雷达相比,是由目标RCS起伏减小和检测器积累损失增加这一对矛盾因素共同决定的;最后得出结论:虽然理论上在高检测概率时宽带雷达的检测性能比窄带雷达高,但二者检测概率曲线的交点随包含目标回波的距离单元的增加而越来越高,使宽带雷达的检测优势失去意义。2.研究了在高斯杂波中基于单次回波的宽带雷达目标检测问题。首先分析了宽带雷达对杂波中的目标进行检测的优势和问题所在;接下来回顾了几种已有的基于单次回波的宽带雷达目标检测算法,并分析了它们各自的优点和存在的问题,以及实际中提高宽带雷达目标检测性能的难点在于无法获得待检测目标散射中心分布的先验信息;随后,从解决这一难点入手,提出了一种基于顺序统计量的宽带雷达目标序贯检测算法,从理论、仿真实验和实测数据验证三方面证明了该算法在完全不需要散射中心分布先验信息的条件下,对于散射中心稀疏分布的目标与以往的宽带雷达检测算法相比具有更好更稳健的检测性能。3.研究了非高斯时域相关杂波中基于多个相参脉冲回波的宽带雷达目标检测问题。首先介绍了宽带雷达目标多次相参脉冲回波的准确模型,并根据实际应用中的雷达和目标参数得到了其简化模型;然后介绍了球不变随机向量（SIRV）描述的非高斯宽带雷达杂波模型及其仿真方法;随后设计了基于广义似然比的宽带雷达目标广义自适应子空间检测器,对其性能进行了完整的理论分析,并提出了相应的高效实现算法;此外还考虑到实际目标可能还存在多普勒扩展的问题,设计了可对在距离和多普勒方向上都存在扩展的目标进行检测的宽带雷达检测算法;最后通过仿真实验验证了本章设计的检测器可以实现对宽带雷达目标回波的相参积累,与各种已有算法相比,显着提高了宽带雷达的检测性能。4.研究了基于子带处理的宽带雷达杂波抑制与目标回波相参积累的方法。首先根据宽带雷达杂波和目标回波的特点,指出了使用过采样滤波器组对宽带雷达回波进行子带分解的必要性,并介绍了相应的实现子带分解和综合的滤波器组的设计方法;随后指出宽带雷达实现杂波抑制和相参积累的目的并不仅仅像常规的窄带雷达那样是为了实现目标检测,而更重要的目的在于增强回波中的目标冲激响应,提高目标识别的可靠性,并根据这一要求设计了通过子带加权处理,从包含杂波的回波中重构目标冲激响应的最优和次优处理方法,最后通过仿真和实测数据验证了算法的有效性。5.研究了宽带雷达的认知跟踪问题。首先根据目标冲激响应的物理概念和特点,提出了采用宽平稳—不相关散射模型来描述雷达目标冲激响应及其动态模型;接下来根据这一模型首先研究了在时域设计最优跟踪波形的问题,并分析了它的不可实现性;随后提出了一种在频域设计次优跟踪波形的方法,并给出了它的实现算法;从实际雷达要求发射波形具有恒包络这一需求出发,还分别给出了在给定发射信号功率谱的情况下用相位驻点法和迭代加权最小二乘法设计恒包络信号的方法;最后,通过仿真实验说明,在一定条件下该方法可以减小宽带雷达跟踪时对目标参数的估计误差。
邓美连[8]（2019）在《低空目标跟踪方法的研究》文中提出由于电子技术、导航和控制技术的飞速发展,低空飞行目标越来越多,其应用十分广泛。由于低空目标飞行低的特点,雷达接收到的量测数据中含有大量的虚警,且低空目标运动具有强机动性,这些都给低空目标的跟踪带来了很大的困难。如何对低空目标进行精准和高效的跟踪是现在急需解决的问题,对此本文主要从提高目标跟踪的精度性和实时性两个方面来优化低空目标跟踪算法的性能,主要工作如下:本文主要研究基于FCM的数据关联算法。首先针对JPDA算法存在计算量大的缺点,本文研究了基于FCM的JPDA算法（FJPDA）,该算法通过FCM聚类求取隶属度来计算关联概率,避免了对确认矩阵的拆分,在很大程度上减少了计算量。同时还研究了基于FCM的NN算法（FNN）,该算法通过FCM聚类执行最近邻域关联,其计算量简单,也能较好地对量测数据中虚警高的目标进行数据关联。通过仿真分析可知,FJPDA和FNN算法能够在很大程度上减少计算量,但其关联精度略有下降。为了提高关联精度,本文引入距离二次加权的思想对FJPDA算法进行改进（IFJPDA）,并对公共量测的距离权值进行衰减,通过距离权值对关联概率进行调整。仿真实验表明,IFJPDA算法能够在减少计算量的同时,保证较高的关联精度。本文主要对自适应CS算法进行了研究。针对CS算法在跟踪弱机动或非机动目标时或目标加速度突然发生改变时,跟踪效果较差的缺点。本文研究了基于加速度隶属函数修正的自适应CS算法,该算法通过隶属函数对加速度极值进行修正,而自适应地根据目标实际加速度调整加速度极值,并引入修正因子来改善加速度突变时的跟踪时延。接着给出了一种基于新息隶属函数修正的自适应CS算法,该算法通过新息来对加速度极值进行修正,并对预测值进行修正来提高跟踪精度。最后考虑到机动频率对CS算法的影响,本文还分析了基于自适应CS模型的IMM算法,该算法因为使用两个机动频率不同的自适应CS模型,能更加完全地表征目标的实际运动特点,从而有效地提高了跟踪精度。通过仿真实验可知,使用隶属函数修正的自适CS算法和基于自适应CS的IMM算法能够在跟踪弱机动或非机动目标时和目标加速度突然发生改变时,有效降低跟踪误差。
孟祥东[9]（1997）在《莱州湾西部地区环境条件的联合概率分析》文中研究指明在海洋环境条件联合概率分析理论的基础上，对莱州湾西部海域的羊角沟地区进行了综合环境条件的联合概率分析。以模拟技术中的重点抽样法为理论根据，对该地区的水位、风速U及波高H的三维随机变量作了统计分析。得出了多年一遇的各环境条件联合出现的数值，模拟结果令人满意。
苏向辰阳[10]（2018）在《多源目标识别任务中的特征选择方法研究》文中指出随着新技术的不断出现,目标识别从以往针对单源的研究向多源发展。不同类别的数据源从多个角度对目标进行描述,带来了数据量的激增,在拓展识别分类特征内涵的同时,也带来大量信息冗余和数据相关,导致“维数灾难”的问题,严重影响机器学习的效率与分类算法的性能。如何有效筛选并利用各类传感器提供的信息具有重要的研究价值及现实意义。特征选择算法,是海量数据高价值信息筛选的典型途径之一,作为一种有效的降维方法广泛应用于模式分类和目标识别等多重领域。因此,本文立足于信息论的基础理论,以信息熵作为基本度量策略,开展服务于目标识别应用的多特征选择方法研究。首先,针对传统基于互信息的特征选择算法中评价准则函数度量量级不均衡的问题,提出了一种结合排序的rMIFS（ranking MIFS）算法。算法采用先将相关度具体数值进行由小到大排序,而后再使用排序的序号来替代其具体数值的方法,改善了评价准则函数在特征选择后期具有倾向性的缺陷。在公开数据集上验证所提方法的有效性,结果表明所提rMIFS算法提高了特征选择全过程中评价准则函数的公正性,从而提高了所选最优子集的分类能力。然后,针对Shannon互信息在计算上严重依赖概率密度函数估计的精确性,引入一种新型度量方式——生存Cauchy-Schwartz互信息,提出了一种SCS-rMIFS（Survival Cauchy-Schwartz ranking MIFS）算法。生存Cauchy-Schwartz互信息使用生存函数替代概率密度函数,用这种互信息进行计算时可以有效避免因样本量大小、人工参数设置等问题对度量数据集相关性与冗余性的影响。在公开数据集上验证所提方法的有效性,结果表明所提SCS-rMIFS算法提高了对特征度量的准确性,在每次选择中能选出对分类最有利的特征,从而提高了所选最优子集的分类能力。最后,基于以上研究,针对多源图像目标识别任务中的感兴趣目标检测问题,论文提出了一种图像多特征选择与超像素分割算法（SLIC）相结合的分割策略,通过增加SLIC算法中距离向量的维数,并赋予分割标记语义约束,以可见光和红外图像融合进行行人检测为应用示范,实现了对感兴趣目标的快速检测提取。在真实数据集上验证所提方法的有效性,结果表明算法在克服目标分割不完整及碎片化方面,分割效果有改善。
二、联合概率密度函数的一个性质（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、联合概率密度函数的一个性质（论文提纲范文）
（1）基于信息流的系统灵敏度分析（论文提纲范文）
| 符号列表 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 不确定性量化及灵敏度分析简介 |
| 1.2.2 单输出全局灵敏度分析方法 |
| 1.2.3 多输出全局灵敏度分析方法 |
| 1.2.4 梁氏——克里曼信息流 |
| 1.3 论文的主要工作及创新点 |
| 1.3.1 论文的主要工作 |
| 1.3.2 论文的创新点 |
| 第二章 高维复杂动力系统中关于绝对熵的多因素信息流 |
| 2.1 背景 |
| 2.2 单因素信息流体系(LK2005 公式) |
| 2.2.1 连续系统的单因素信息流 |
| 2.2.2 离散系统的单因素信息流 |
| 2.3 n维系统的多因素信息流 |
| 2.3.1 n维连续系统的多因素信息流 |
| 2.3.2 n维离散系统的多因素信息流 |
| 2.4 多因素信息流的应用 |
| 2.4.1 Lorenz系统 |
| 2.4.2 Chua系统 |
| 2.5 本章小结 |
| 第三章 高维复杂动力系统中关于相对熵的多因素信息流 |
| 3.1 背景 |
| 3.2 关于相对熵的单因素信息流基础知识 |
| 3.3 关于相对熵的多因素信息流 |
| 3.3.1 三维系统中关于相对熵的多因素信息流 |
| 3.3.2 n维系统中关于相对熵的广义多因素信息流 |
| 3.4 关于相对熵多因素信息流的应用 |
| 3.4.1 R?ssler系统 |
| 3.4.2 四维动力系统 |
| 3.5 本章小结 |
| 第四章 基于信息流的灵敏度分析 |
| 4.1 背景 |
| 4.2 时间序列的因果关系 |
| 4.2.1 二维随机动力系统的信息流 |
| 4.2.2 时序因果分析 |
| 4.3 基于信息流的灵敏度指标 |
| 4.3.1 基于信息流的灵敏度指标定义 |
| 4.3.2 基于信息流的多输出灵敏度分析运算步骤 |
| 4.4 算例分析 |
| 4.4.1 动力系统 |
| 4.4.2 数值算例 |
| 4.4.3 工程算例 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 附录 A数学基础知识 |
（2）基于HOM干涉仪的量子精密测距方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 量子精密测距方法发展现状 |
| 1.2.1 脉冲式量子精密测距 |
| 1.2.2 量子照明 |
| 1.2.3 干涉式量子精密测距 |
| 1.3 HOM干涉仪的研究现状 |
| 1.4 论文章节安排与创新点 |
| 1.4.1 论文章节安排 |
| 1.4.2 论文创新点 |
| 第二章 量子精密测距理论基础 |
| 2.1 量子光学基本概念 |
| 2.1.1 电磁场的量化 |
| 2.1.2 常见量子态 |
| 2.1.3 三种绘景 |
| 2.2 量子精密测距性能提升原理 |
| 2.2.1 理想信道上多光子平均到达时间精度分析 |
| 2.2.2 衰减信道上多光子平均到达时间精度分析 |
| 2.3 HOM干涉仪基本原理 |
| 2.3.1 基本原理 |
| 2.3.2 符合测量计数 |
| 2.4 本章小结 |
| 第三章 两种量子态下的HOM干涉仪测距性能分析 |
| 3.1 不同绘景下的量子态演化 |
| 3.1.1 薛定谔绘景下的量子态演化 |
| 3.1.2 海森堡绘景下的量子态演化 |
| 3.2 基于双光子态的HOM干涉仪测距性能分析 |
| 3.2.1 理想信道上单个时延参数估计 |
| 3.2.2 衰减信道上单个时延参数估计 |
| 3.3 基于相干态的HOM干涉仪测距性能分析 |
| 3.3.1 理想信道上单个时延参数估计 |
| 3.3.2 参数抖动对符合计数结果的影响 |
| 3.3.3 衰减信道上单个时延参数估计 |
| 3.4 仿真结果与分析 |
| 3.4.1 理想信道上基于双光子态的符合计数仿真 |
| 3.4.2 理想信道上基于相干态的符合计数仿真 |
| 3.4.3 参数抖动仿真 |
| 3.5 本章小结 |
| 第四章 基于两时延参数HOM干涉仪的精密测距方法 |
| 4.1 单个时延参数HOM干涉仪扩展的可行性分析 |
| 4.2 两时延参数HOM干涉仪基本原理 |
| 4.3 基于双光子态的两时延参数HOM干涉仪测距性能分析 |
| 4.3.1 理想信道上两个时延参数估计 |
| 4.3.2 参数抖动对符合计数结果的影响 |
| 4.3.3 衰减信道上两个时延参数估计 |
| 4.4 基于相干态的两时延参数HOM干涉仪测距性能分析 |
| 4.4.1 理想信道上两个时延参数估计 |
| 4.4.2 参数抖动对符合计数结果的影响 |
| 4.4.3 衰减信道上两个时延参数估计 |
| 4.5 仿真结果与分析 |
| 4.5.1 理想信道上基于双光子态的符合计数仿真 |
| 4.5.2 π/2 相位偏移的唯一性讨论 |
| 4.5.3 衰减信道上基于双光子态的符合计数仿真 |
| 4.5.4 理想信道上基于相干态的符合计数仿真 |
| 4.5.5 参数抖动仿真 |
| 4.5.6 时延参数估计仿真 |
| 4.6 本章小结 |
| 第五章 基于三时延参数HOM干涉仪的精密测距方法 |
| 5.1 多个时延参数HOM干涉仪扩展的可行性分析 |
| 5.2 三时延参数HOM干涉仪基本原理 |
| 5.3 三时延参数HOM干涉仪测距性能分析 |
| 5.3.1“Mandel Dip”的三维扩展 |
| 5.3.2 参数抖动对符合计数结果的影响 |
| 5.3.3 基于双光子态的三个时延参数估计 |
| 5.3.4 时延参数估计精度分析 |
| 5.4 仿真结果与分析 |
| 5.5 本章小结 |
| 第六章 量子精密测距方法在量子定位系统中的应用 |
| 6.1 量子定位系统VS传统定位系统 |
| 6.2 多光源辅助的传统量子定位系统 |
| 6.2.1 基于传统HOM干涉仪的量子定位原理 |
| 6.2.2 目标三维坐标确定 |
| 6.2.3 定位精度分析 |
| 6.3 基于单一光源的新型量子定位系统 |
| 6.3.1 基于两时延参数HOM干涉仪的新型量子定位系统 |
| 6.3.2 基于三时延参数HOM干涉仪的新型量子定位系统 |
| 6.4 本章小结 |
| 第七章 量子精密测距方法在量子密钥分发系统中的应用 |
| 7.1 基于诱骗态的量子密钥分发系统 |
| 7.1.1 BB84协议 |
| 7.1.2 PNS攻击与诱骗态理论 |
| 7.1.3 量子密钥分发对系统时间精度的需求 |
| 7.2 理想信道上完全纠缠光子方案带来的QKD性能提升 |
| 7.3 衰减信道上部分纠缠光子方案带来的QKD性能提升 |
| 7.3.1 部分纠缠光子方案 |
| 7.3.2 分组纠缠光子方案 |
| 7.4 仿真结果与分析 |
| 7.4.1 理想信道上部分纠缠光子方案对QKD性能提升的仿真 |
| 7.4.2 衰减信道上分组纠缠光子方案对QKD性能提升的仿真 |
| 7.4.3 最优方案讨论 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文工作的总结 |
| 8.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）自适应盲信号处理理论及应用研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 第一章 绪论 |
| 1.1 盲分离问题的来源 |
| 1.2 盲分离的模型及研究进展 |
| 1.3 论文的结构 |
| 第二章 瞬时混合的自适应盲分离 |
| 2.1 统计独立和信息理论 |
| 2.2 瞬时盲分离的准则 |
| 2.2.1 最大似然估计方法 |
| 2.2.2 最小化互信息 |
| 2.2.3 信息传输最大化和最大化负熵 |
| 2.2.4 准则的等价性说明 |
| 2.3 基于梯度学习的自适应算法 |
| 2.3.1 数据的预处理 |
| 2.3.2 基于梯度的自适应算法 |
| 2.3.3 自然梯度和相对梯度 |
| 2.4 算法性能分析 |
| 2.4.1 算法的稳定性分析 |
| 2.4.2 算法的稳态误差和步长因子 |
| 2.4.3 非线性函数对算法的影响 |
| 2.5 具有任意概率密度函数盲分离 |
| 2.6 仿真分析 |
| 2.6.1 自然梯度与常规梯度的比较 |
| 2.6.2 步长因子的影响 |
| 2.6.3 非线性函数对稳态误差的影响 |
| 2.6.4 不同类型源的混合 |
| 2.7 小结 |
| 第三章 卷积混合下的盲分离 |
| 3.1 盲反卷积模型 |
| 3.1.1 时域和频域模型 |
| 3.1.2 卷积混合下盲分离的假设条件 |
| 3.2 盲反卷积算法 |
| 3.2.1 常用的盲反卷积算法 |
| 3.2.2 基于最大似然估计的盲反卷积算法 |
| 3.2.3 变换域中的最大似然估计算法 |
| 3.3 盲反卷积算法的性能分析 |
| 3.4 盲反卷积算法的扩展 |
| 3.4.1 盲反卷积算法与瞬时盲分离算法的关系 |
| 3.4.2 频域内的盲反卷积算法 |
| 3.5 计算机仿真 |
| 3.6 小结 |
| 第四章 时间相关源的盲分离 |
| 4.1 时间相关源的盲分离模型 |
| 4.1.1 时间相关源的模型 |
| 4.1.2 时间相关源的盲分离模型 |
| 4.1.3 卷积混合下的时间模糊性 |
| 4.2 直接方法 |
| 4.2.1 最大似然估计原理 |
| 4.2.2 基于混合模型的算法 |
| 4.3 二阶统计量方法 |
| 4.3.1 二阶统计量方法的模型 |
| 4.3.2 酉矩阵的存在性条件 |
| 4.3.3 联合对角化技术 |
| 4.3.4 去相关方法 |
| 4.4 计算机仿真 |
| 4.5 小结 |
| 第五章 非平稳信号的盲分离 |
| 5.1 非平稳信号盲分离模型 |
| 5.2 自适应方法 |
| 5.2.1 目标代价函数 |
| 5.2.2 自适应算法 |
| 5.2.3 局部稳定性分析 |
| 5.2.4 似牛顿（Newton-Like）算法 |
| 5.2.5 算法的扩展及应用说明 |
| 5.3 块处理方法 |
| 5.3.1 代价函数 |
| 5.3.2 块处理算法 |
| 5.4 计算机仿真 |
| 5.4.1 自适应算法 |
| 5.4.2 块处理方法 |
| 5.5 小结 |
| 第六章 带噪的盲源分离 |
| 6.1 噪声对盲分离算法的影响 |
| 6.2 白高斯噪声下的盲分离算法 |
| 6.2.1 参数化模型 |
| 6.2.2 带噪的盲分离自适应算法 |
| 6.2.3 算法的应用说明 |
| 6.2.4 计算机仿真 |
| 6.3 噪声下时间相关源和非平稳信号的盲分离 |
| 6.3.1 白噪声下时间相关源的盲分离算法 |
| 6.3.2 白噪声下非平稳源的盲分离 |
| 6.3.3 计算机仿真 |
| 6.4 小结 |
| 第七章 盲分离算法的水池实验 |
| 7.1 实验的目的及方法 |
| 7.2 实验测试系统、仪器及过程 |
| 7.3 模型的理论分析与实验数据分析 |
| 7.3.1 理论模型 |
| 7.3.2 信号和噪声的实际数据分析 |
| 7.4 实验小结 |
| 第八章 论文总结及将来的研究 |
| 8.1 论文的主要工作及创新点 |
| 8.2 将来的研究 |
| 附录A 矩阵论的基本知识 |
| 附录B 高斯混合模型 |
| 附录C 循环矩阵（Circulant Matrix） |
| 附录D 多维高斯变量 |
| 附录E 联合近似对角化算法（JADE） |
| 参考文献 |
| 致谢 |
| 发表的论文及承担和参与的科研项目 |
（4）基于变分学习与推断的概率生成模型研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 极大似然估计 |
| 1.3 概率生成模型的分类 |
| 1.3.1 显式密度模型 |
| 1.3.2 隐式密度模型 |
| 1.4 概率图模型 |
| 1.4.1 无向图和马尔可夫随机场 |
| 1.4.2 马尔可夫链与MCMC方法 |
| 第二章 基于深度玻尔兹曼机的形状修复算法 |
| 2.1 引言 |
| 2.2 受限玻尔兹曼机 |
| 2.3 深度玻尔兹曼机 |
| 2.3.1 一般的玻尔兹曼机 |
| 2.3.2 深度玻尔兹曼机的定义 |
| 2.3.3 对深度玻尔兹曼机的性能进行评估 |
| 2.4 基于深度玻尔兹曼机的形状修复算法 |
| 2.4.1 深度玻尔兹曼机与形状修复 |
| 2.4.2 通过回归模型设置合适的掩模 |
| 2.4.3 利用掩模进行形状修复 |
| 2.4.4 定量评估 |
| 2.4.5 实验结果 |
| 2.5 本章小结 |
| 第三章 一种基于神经自回归分布估计器的深度玻尔兹曼机变分学习方法 |
| 3.1 引言 |
| 3.2 神经自回归分布估计器 |
| 3.2.1 将受限玻尔兹曼机转换为贝叶斯网络 |
| 3.2.2 模型结构 |
| 3.2.3 NADE模型的变种及其应用 |
| 3.3 基于神经网络的变分推断和学习 |
| 3.3.1 变分方法简介 |
| 3.3.2 变分目标函数 |
| 3.3.3 各个参数的梯度 |
| 3.3.4 减少方差的技巧 |
| 3.3.5 基于神经网络的推断方法实例 |
| 3.4 利用NADE模型改进DBM的变分学习 |
| 3.4.1 深度玻尔兹曼机中传统变分学习方法的限制 |
| 3.4.2 将NADE模型与DBM结合 |
| 3.4.3 与其他方法的比较 |
| 3.4.4 实验结果 |
| 3.5 本章小结 |
| 第四章 基于序列变分自编码器的文本分类与文本生成算法 |
| 4.1 引言 |
| 4.2 变分自编码器 |
| 4.3 由自注意力机制强化的双向序列变分自编码器 |
| 4.3.1 从VAE到SVAE |
| 4.3.2 循环神经网络 |
| 4.3.3 模型结构 |
| 4.3.4 与其他方法的比较 |
| 4.3.5 实验结果 |
| 4.4 本章小结 |
| 第五章 序列变分自编码器后验概率的研究 |
| 5.1 引言 |
| 5.2 重要性采样与变分下界 |
| 5.2.1 变分自编码器 |
| 5.2.2 重要性采样的引入 |
| 5.3 基于重要性采样的序列变分自编码器 |
| 5.3.1 概率编码器 |
| 5.3.2 概率解码器 |
| 5.3.3 目标函数 |
| 5.3.4 实际训练的技巧 |
| 5.3.5 改进与异同点总结 |
| 5.4 正规流 |
| 5.5 基于正规流的序列变分自编码器 |
| 5.5.1 目标函数 |
| 5.5.2 实际训练的技巧 |
| 5.5.3 改进与异同点总结 |
| 5.6 IWSVAE实验 |
| 5.6.1 数据集及预处理 |
| 5.6.2 参数设置 |
| 5.6.3 实验结果 |
| 5.7 正规流单峰实验 |
| 5.7.1 数据集以及参数设置 |
| 5.7.2 重构模式的实验结果 |
| 5.7.3 综合模式的实验结果 |
| 5.7.4 随机模式的结果 |
| 5.7.5 实验结果分析 |
| 5.8 正规流的多峰实验 |
| 5.8.1 从单峰到多峰 |
| 5.8.2 实验结果 |
| 5.8.3 实验结果分析 |
| 5.9 本章小结 |
| 第六章 总结与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 发表文章目录 |
| 简历 |
| 致谢 |
（5）基于贝叶斯理论和子集模拟优化的有限元模型修正方法及应用（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 本文的研究背景及意义 |
| 1.2 基于环境振动数据的结构模态参数识别的研究现状 |
| 1.2.1 传统模态参数识别方法与应用 |
| 1.2.2 基于贝叶斯理论模态参数识别方法与应用 |
| 1.3 有限元模型修正方法的研究现状 |
| 1.3.1 确定性模型修正方法研究现状 |
| 1.3.2 非贝叶斯不确定性模型修正方法研究现状 |
| 1.3.3 贝叶斯模型修正方法研究现状 |
| 1.4 目前研究存在的问题和不足 |
| 1.5 本文的主要工作 |
| 2 基于贝叶斯理论和子集模拟优化的有限元模型修正方法 |
| 2.1 贝叶斯理论 |
| 2.2 基于环境振动和贝叶斯理论的模型修正目标函数 |
| 2.3 子集模拟法优化算法 |
| 2.3.1 可靠度分析问题与优化分析问题的转换 |
| 2.3.2 子集模拟优化的基本原理 |
| 2.3.3 子集模拟优化算法流程 |
| 2.4 基于贝叶斯理论和子集模拟优化的有限元模型自动修正方法流程 |
| 2.4.1 MATLAB与SAP2000交互访问方法 |
| 2.4.2 所提方法流程 |
| 2.5 所提方法在数值模型中的应用 |
| 2.5.1 数值模型 |
| 2.5.2 模型修正的解析解 |
| 2.5.3 所提方法的模型修正结果 |
| 2.5.4 先验分布对后验概率密度函数的影响 |
| 2.6 所提方法与MCMC优化算法修正结果对比 |
| 2.6.1 马尔可夫链 |
| 2.6.2 Metropolis-Hastings算法 |
| 2.6.3 基于贝叶斯理论和MCMC优化算法的模型修正方法流程 |
| 2.6.4 两种方法模型修正结果对比 |
| 2.7 本章小结 |
| 3 基于贝叶斯理论和子集模拟优化的有限元模型修正方法影响因素分析 |
| 3.1 子集模拟优化方法参数设置对模型修正结果的影响分析 |
| 3.1.1 层间样本数 |
| 3.1.2 首层样本点抽样方式 |
| 3.1.3 层间概率 |
| 3.1.4 终止判据 |
| 3.1.5 小结 |
| 3.2 基于贝叶斯理论和子集模拟优化的有限元模型修正方法应用在有限元模型修正中的关键因素分析 |
| 3.2.1 有限元模型 |
| 3.2.2 模拟环境振动测试 |
| 3.2.3 有限元模型修正结果 |
| 3.3 本章小结 |
| 4 某高层砌体结构环境振动测试与有限元模型修正 |
| 4.1 某砌体结构环境振动测试及基于高效贝叶斯FFT方法的模态参数识别 |
| 4.1.1 某砌体结构介绍 |
| 4.1.2 环境振动测试方案 |
| 4.1.3 各测点功率谱密度曲线 |
| 4.1.4 模态参数识别 |
| 4.2 某砌体结构塔初始有限元模型及模态分析 |
| 4.2.1 有限元模型信息 |
| 4.2.2 有限元模型模态分析结果 |
| 4.3 基于贝叶斯理论和子集模拟优化方法在某砌体结构有限元模型修正中的应用 |
| 4.3.1 修正参数灵敏度分析 |
| 4.3.2 有限元模型修正结果 |
| 4.4 本章小节 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士期间参与的科研项目 |
| 学位论文数据集 |
（6）面向卫星不确定性总体设计优化的贝叶斯网络研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 贝叶斯网络的研究与应用现状 |
| 1.2.1 贝叶斯网络建模方法研究 |
| 1.2.2 贝叶斯网络在工程领域的国内外应用现状 |
| 1.3 基于贝叶斯网络的系统可靠性分析 |
| 1.4 论文的研究思路与内容安排 |
| 1.4.1 问题的提出及研究思路 |
| 1.4.2 研究内容及结构 |
| 第二章 贝叶斯网络及压缩推理算法 |
| 2.1 贝叶斯网络 |
| 2.1.1 贝叶斯网络的基本概念 |
| 2.1.2 多态贝叶斯网络 |
| 2.1.3 贝叶斯网络的节点概率表 |
| 2.1.4 贝叶斯网络的优点与缺点 |
| 2.1.5 贝叶斯网络的推理算法与建模工具 |
| 2.2 压缩推理算法 |
| 2.2.1 NPT的格式 |
| 2.2.2 压缩算法CA |
| 2.2.3 推理算法IA |
| 2.2.4 压缩推理算法的优点与缺点 |
| 2.3 基于贝叶斯网络的系统可靠性分析方法 |
| 2.4 本章小结 |
| 第三章 基于贝叶斯网络和压缩推理的复杂二态系统可靠性分析方法 |
| 3.1 现有压缩推理算法的缺点 |
| 3.1.1 压缩算法CA的缺点 |
| 3.1.2 推理算法IA的缺点 |
| 3.1.3 CA和IA的改进思路 |
| 3.2 改进的二态压缩算法 |
| 3.2.1 改进压缩算法CA的方案 |
| 3.2.2 改进的二态压缩算法I-CA的输出 |
| 3.2.3 压缩NPT的实例 |
| 3.3 改进的二态独立推理算法 |
| 3.3.1 改进的中间变量构建规则 |
| 3.3.2 改进的二态独立推理算法I-IA |
| 3.4 改进的二态非独立推理算法 |
| 3.4.1 BN中的“块” |
| 3.4.2 二态BN中“块”的等价计算 |
| 3.4.3 非独立推理中间变量构建规则 |
| 3.4.4 二态非独立推理算法 |
| 3.5 复杂二态系统可靠性分析方法 |
| 3.5.1 二态卫星遥测系统 |
| 3.5.2 遥测系统BN可靠性建模与分析 |
| 3.5.3 复杂二态系统NPT存储需求分析 |
| 3.6 本章小结 |
| 第四章 基于贝叶斯网络和压缩推理的复杂多态系统可靠性分析方法 |
| 4.1 特定多态系统的可靠性分析方法 |
| 4.1.1 特定多态节点的NPT的格式 |
| 4.1.2 特殊的压缩推理算法 |
| 4.1.3 特定多态系统BN建模 |
| 4.1.4 特定多态系统可靠性分析算法 |
| 4.2 多态节点的NPT格式 |
| 4.3 多态压缩算法 |
| 4.3.1 多态压缩算法一(MCA-1) |
| 4.3.2 多态压缩算法二(MCA-2) |
| 4.4 独立多态推理算法 |
| 4.4.1 独立多态中间变量构建规则 |
| 4.4.2 独立多态推理算法(IMIA) |
| 4.5 非独立多态推理算法 |
| 4.5.1 多态BN中“块”的等价 |
| 4.5.2 求解多态查询节点联合概率时中间变量的构建规则 |
| 4.5.3 多态查询节点的联合概率推理算法 |
| 4.5.4 非独立多态推理算法(DMIA) |
| 4.6 基于BN和多态压缩推理算法的复杂多态系统可靠性分析方法 |
| 4.6.1 卫星天线双轴定位机构传动系统 |
| 4.6.2 传动系统可靠性建模与分析 |
| 4.6.3 复杂多态系统NPT存储需求分析 |
| 4.7 本章小结 |
| 第五章 贝叶斯网络在卫星不确定性总体设计优化中的应用 |
| 5.1 特定多态卫星系统可靠性分析 |
| 5.1.1 问题背景 |
| 5.1.2 贝叶斯网络可靠性建模 |
| 5.1.3 压缩NPT |
| 5.1.4 节点概率推理 |
| 5.1.5 结果分析讨论 |
| 5.2 基于离散寿命的卫星姿态控制系统可靠性分析 |
| 5.2.1 卫星姿态控制系统结构及状态定义 |
| 5.2.2 卫星姿态控制系统可靠性建模 |
| 5.2.3 卫星姿态控制系统可靠性分析 |
| 5.3 多态微小卫星系统可靠性设计优化 |
| 5.3.1 微小卫星系统可靠性设计优化方法 |
| 5.3.2 优化实例分析 |
| 5.4 本章小结 |
| 结束语 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 附录 A 构建cλ_i~j的改进的规则 |
| 附录 B 构建非独立推理中间变量cλ_i~j中run的规则 |
| 附录 C 构建非独立推理中间变量cλ_i~j中 phrase的规则 |
| 附录 D 构建非独立推理中间变量cξ_i~j的规则 |
| 附录 E 构建独立多态中间变量cλ_i~j_3(j)中的run的规则 |
| 附录 F 构建独立多态中间变量cλ_i~j_3(j)中的phrase的规则 |
| 附录 G 求解多态联合概率时cλ_i~j中的run的构建规则 |
| 附录 H 求解多态联合概率时cλ_i~j 中的phrase的构建规则 |
（7）宽带雷达信号处理 ——检测、杂波抑制与认知跟踪（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 宽带雷达信号处理的研究背景及意义 |
| 1.2 宽带雷达的研究历史和现状 |
| 1.3 本文的主要工作 |
| 本章参考文献 |
| 第二章 宽带雷达在噪声中的检测性能分析 |
| 2.1 宽带雷达方程与雷达截面积 |
| 2.1.1 宽带雷达方程 |
| 2.1.2 宽带和窄带雷达目标散射截面积 |
| 2.2 宽带雷达目标RCS 统计模型及相应检测概率 |
| 2.2.1 宽带雷达无起伏目标模型 |
| 2.2.2 宽带雷达瑞利起伏目标模型 |
| 2.2.3 宽带雷达莱斯起伏目标模型 |
| 2.3 仿真实验与实测数据分析 |
| 2.5 本章小结 |
| 本章参考文献 |
| 第三章 宽带雷达目标序贯检测算法 |
| 3.1 现有宽带雷达目标检测算法 |
| 3.1.1 能量积累和二进制积累检测算法 |
| 3.1.2 基于散射中心密度加权的能量积累检测算法 |
| 3.2 基于顺序统计量的宽带雷达目标序贯检测算法 |
| 3.2.1 检测问题与算法设计 |
| 3.2.2 OSBMST 的虚警概率与检测门限设置 |
| 3.3 宽带雷达目标回波模型 |
| 3.3.1 M/L 起伏目标模型 |
| 3.3.2 复合K 分布目标模型 |
| 3.4 仿真实验与实测数据分析 |
| 3.5 本章小结 |
| 本章参考文献 |
| 第四章 宽带雷达目标自适应子空间检测器 |
| 4.1 宽带雷达目标多脉冲回波模型 |
| 4.2 宽带雷达相关杂波模型 |
| 4.2.1 球不变随机向量杂波模型 |
| 4.2.2 宽带雷达相关杂波及其计算机产生方法 |
| 4.3 宽带雷达自适应子空间检测器 |
| 4.3.1 Neyman-Pearson 准则下的最优检测器 |
| 4.3.2 广义匹配子空间检测器 |
| 4.3.3 频域广义自适应子空间检测器 |
| 4.3.4 距离域广义自适应子空间检测器 |
| 4.4 宽带雷达目标广义自适应子空间检测器的高效实现算法 |
| 4.5 距离-多普勒双扩展目标的广义自适应子空间检测器 |
| 4.6 仿真实验结果 |
| 4.7 本章小结 |
| 本章参考文献 |
| 第五章 基于子带处理的宽带雷达杂波抑制与目标回波增强 |
| 5.1 宽带雷达回波的子带分解与综合及滤波器组设计 |
| 5.1.1 宽带雷达回波的子带分解与综合 |
| 5.1.2 滤波器组设计 |
| 5.2 宽带雷达回波子带域处理 |
| 5.2.1 最大输出信杂比准则下的最优处理 |
| 5.2.2 最小均方误差准则下的最优处理 |
| 5.2.3 最大Pearson 相关系数准则下的最优处理 |
| 5.2.4 高信杂比下的次优处理 |
| 5.3 计算机仿真和实测数据处理结果 |
| 5.4 本章小结 |
| 本章参考文献 |
| 第六章 宽带雷达认知跟踪 |
| 6.1 宽带雷达目标冲激响应的统计模型 |
| 6.2 最优跟踪波形的时域设计 |
| 6.3 次优跟踪波形的频域设计 |
| 6.4 给定功率谱的恒模信号设计 |
| 6.4.1 基于相位驻点法的非线性调频信号设计 |
| 6.4.2 基于迭代加权最小二乘法的相位调制信号设计 |
| 6.5 计算机仿真实验 |
| 6.6 本章小结 |
| 本章参考文献 |
| 第七章 总结与展望 |
| 7.1 本文内容总结 |
| 7.2 工作展望 |
| 附录A：FD-GMSD 的统计分析 |
| 附录B：FD-GASD 的统计分析 |
| 致谢 |
| 作者在读期间的研究成果 |
（8）低空目标跟踪方法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外现状 |
| 1.2.1 数据关联现状 |
| 1.2.2 机动目标跟踪滤波现状 |
| 1.3 论文的内容与安排 |
| 第二章 目标跟踪基本原理 |
| 2.1 目标跟踪的基本组成 |
| 2.1.1 目标跟踪的基本概念 |
| 2.1.2 坐标变换 |
| 2.1.3 波门 |
| 2.2 经典的数据关联算法 |
| 2.2.1 最近邻域法 |
| 2.2.2 概率数据关联算法 |
| 2.2.3 联合概率数据关联算法 |
| 2.3 卡尔曼滤波 |
| 2.4 本章小结 |
| 第三章 基于FCM的低空目标数据关联 |
| 3.1 联合概率数据关联算法 |
| 3.1.1 关联概率的计算 |
| 3.1.2 联合概率数据关联滤波器原理 |
| 3.1.3 仿真分析 |
| 3.2 基于FCM的数据关联算法 |
| 3.2.1 基于FCM聚类的JPDA算法 |
| 3.2.2 基于FCM聚类的NN算法 |
| 3.2.3 仿真分析 |
| 3.3 基于距离加权改进的FJPDA算法 |
| 3.3.1 算法的基本思想 |
| 3.3.2 关联概率的修正 |
| 3.3.3 仿真分析 |
| 3.4 本章小结 |
| 第四章 自适应CS跟踪滤波算法 |
| 4.1 目标运动模型 |
| 4.1.1 匀速和匀加速模型 |
| 4.1.2 转弯模型 |
| 4.1.3 Singer模型 |
| 4.1.4 当前统计模型 |
| 4.2 当前统计模型算法 |
| 4.2.1 CS算法思想 |
| 4.2.2 仿真分析 |
| 4.3 基于隶属函数修正的自适应CS算法 |
| 4.3.1 基于加速度隶属函数修正的自适应CS算法 |
| 4.3.2 基于新息隶属函数修正的自适应CS算法 |
| 4.3.3 仿真分析 |
| 4.4 基于自适应CS的IMM算法 |
| 4.4.1 IMM算法思想 |
| 4.4.2 模型设计 |
| 4.4.3 仿真分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）多源目标识别任务中的特征选择方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 特征选择的定义 |
| 1.2.2 特征选择的分类 |
| 1.2.3 特征选择的关键环节 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 相关预备知识 |
| 2.1 引言 |
| 2.2 信息论相关知识 |
| 2.2.1 熵的定义 |
| 2.2.2 互信息的定义 |
| 2.3 基于互信息的特征选择方法 |
| 2.3.1 符号说明 |
| 2.3.2 相关性、冗余性、互补性 |
| 2.3.3 最优子集 |
| 2.3.4 搜索策略 |
| 2.4 多源图像融合目标识别任务中的特征选择 |
| 2.4.1 多源图像融合处理的常规步骤 |
| 2.4.2 融合识别中特征选择面临的难点 |
| 2.4.3 可见光与红外图像融合 |
| 2.5 本章小结 |
| 第三章 基于互信息的特征选择方法 |
| 3.1 引言 |
| 3.2 MIFS特征选择算法的发展及变种 |
| 3.2.1 评价准则函数的发展 |
| 3.2.2 熵的估值 |
| 3.3 问题的提出 |
| 3.4 一种结合排序的特征选择算法 |
| 3.4.1 rMIFS算法设计思路 |
| 3.4.2 rMIFS算法具体流程 |
| 3.5 一种基于生存Cauchy-Schwartz互信息的特征选择算法 |
| 3.5.1 生存Cauchy-Schwartz互信息 |
| 3.5.2 SCS-r MIFS算法具体流程 |
| 3.6 实验结果及分析 |
| 3.6.1 实验设置 |
| 3.6.2 实验结果及分析 |
| 3.7 本章小结 |
| 第四章 融合图像分割中的特征选择方法 |
| 4.1 引言 |
| 4.2 简单线性迭代聚类超像素分割算法 |
| 4.3 问题的提出 |
| 4.4 语义知识导引的改进SLIC算法 |
| 4.4.1 语义知识导引的SLIC融合特征选择 |
| 4.4.2 基于融合特征的SLIC改进算法 |
| 4.5 实验结果及分析 |
| 4.5.1 数据准备 |
| 4.5.2 实验结果及分析 |
| 4.6 本章小结 |
| 第五章 结束语 |
| 5.1 本文工作总结 |
| 5.2 未来研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、联合概率密度函数的一个性质（论文参考文献）
- [1]基于信息流的系统灵敏度分析[D]. 尹伊敏. 国防科技大学, 2020(01)
- [2]基于HOM干涉仪的量子精密测距方法研究[D]. 杨玉. 西安电子科技大学, 2019(07)
- [3]自适应盲信号处理理论及应用研究[D]. 王惠刚. 西北工业大学, 2002(01)
- [4]基于变分学习与推断的概率生成模型研究及应用[D]. 王征. 浙江大学, 2019(05)
- [5]基于贝叶斯理论和子集模拟优化的有限元模型修正方法及应用[D]. 黄树强. 北京交通大学, 2019(01)
- [6]面向卫星不确定性总体设计优化的贝叶斯网络研究[D]. 郑小虎. 国防科技大学, 2018(01)
- [7]宽带雷达信号处理 ——检测、杂波抑制与认知跟踪[D]. 戴奉周. 西安电子科技大学, 2010(10)
- [8]低空目标跟踪方法的研究[D]. 邓美连. 西安电子科技大学, 2019(02)
- [9]莱州湾西部地区环境条件的联合概率分析[J]. 孟祥东. 海岸工程, 1997(01)
- [10]多源目标识别任务中的特征选择方法研究[D]. 苏向辰阳. 国防科技大学, 2018(01)