针对传统马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)模拟方法在高维问题或后验概率密度复杂时采样效率低且难收敛的缺陷,建立了基于马尔科夫(Markov)链种群竞争的贝叶斯有限元模型修正算法。在基于Metropolis-Hastings(MH)随...针对传统马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)模拟方法在高维问题或后验概率密度复杂时采样效率低且难收敛的缺陷,建立了基于马尔科夫(Markov)链种群竞争的贝叶斯有限元模型修正算法。在基于Metropolis-Hastings(MH)随机游走算法实现MCMC模拟的传统方法基础上,引入差分进化算法,利用种群中Markov链之间不同携带信息的相互作用关系,得到优化建议以快速逼近目标函数,解决了高维参数模型修正过程中采样滞留的缺点;引进竞争算法,通过不断的竞争刺激和内置失败者向胜利者学习的机制,采用较少的Markov链获得较高的精度,提高了模型修正效率与精度;最后,通过一个桁架结构的有限元模型修正数值算例验证了所提算法,并与标准MH算法的结果对比,得出该算法可以快速修正高维参数模型,具有较高的精度,且对随机噪声有良好的鲁棒性,为考虑不确定性的大型结构有限元模型修正提供了一种稳定有效的手段。展开更多
在计算机视觉领域,由镜头切换、目标动力学突变、低帧率视频等引起的突变运动存在极大的不确定性,使得突变运动跟踪成为该领域的挑战性课题.以贝叶斯滤波框架为基础,提出一种基于有序超松弛Hamiltonian马氏链蒙特卡罗方法的突变运动跟...在计算机视觉领域,由镜头切换、目标动力学突变、低帧率视频等引起的突变运动存在极大的不确定性,使得突变运动跟踪成为该领域的挑战性课题.以贝叶斯滤波框架为基础,提出一种基于有序超松弛Hamiltonian马氏链蒙特卡罗方法的突变运动跟踪算法.该算法将Hamiltonian动力学融入MCMC(Markov chain Monte Carlo)算法,目标状态被扩张为原始目标状态变量与一个动量项的组合.在提议阶段,为抑制由Gibbs采样带来的随机游动行为,提出采用有序超松弛迭代方法来抽取目标动量项.同时,提出自适应步长的Hamiltonian动力学实现方法,在跟踪过程中自适应地调整步长,以减少模拟误差.提出的跟踪算法可以避免传统的基于随机游动的MCMC跟踪算法所存在的局部最优问题,提高了跟踪的准确性而不需要额外的计算时间.实验结果表明,该算法在处理多种类型的突变运动时表现出出色的处理能力.展开更多
基于弹着点空间分布对目标毁伤效能的差异化影响,构建导弹命中目标不同重要区域的概率分布模型,实现对传统命中精度概念的扩展。针对导弹实打试验过程复杂、费用高、次数少的实际,采用贝叶斯方法融合多源信息,基于区域划分-分布确定-先...基于弹着点空间分布对目标毁伤效能的差异化影响,构建导弹命中目标不同重要区域的概率分布模型,实现对传统命中精度概念的扩展。针对导弹实打试验过程复杂、费用高、次数少的实际,采用贝叶斯方法融合多源信息,基于区域划分-分布确定-先验融合-后验求解的思路进行导弹命中精度估计。选取Dirichlet分布作为命中精度参数的先验分布,运用D-S(Dempster-Shafer)证据理论对先验信息进行融合处理,基于马尔可夫链蒙特卡罗(Markov chain Monte Carlo, MCMC)方法对精度参数的后验分布进行求解。示例表明,该方法能够细致描述导弹命中目标不同重要区域的概率,并科学融合多源命中精度先验信息,为导弹命中精度估计方法及测试方案优化提供理论借鉴。展开更多
文摘针对传统马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)模拟方法在高维问题或后验概率密度复杂时采样效率低且难收敛的缺陷,建立了基于马尔科夫(Markov)链种群竞争的贝叶斯有限元模型修正算法。在基于Metropolis-Hastings(MH)随机游走算法实现MCMC模拟的传统方法基础上,引入差分进化算法,利用种群中Markov链之间不同携带信息的相互作用关系,得到优化建议以快速逼近目标函数,解决了高维参数模型修正过程中采样滞留的缺点;引进竞争算法,通过不断的竞争刺激和内置失败者向胜利者学习的机制,采用较少的Markov链获得较高的精度,提高了模型修正效率与精度;最后,通过一个桁架结构的有限元模型修正数值算例验证了所提算法,并与标准MH算法的结果对比,得出该算法可以快速修正高维参数模型,具有较高的精度,且对随机噪声有良好的鲁棒性,为考虑不确定性的大型结构有限元模型修正提供了一种稳定有效的手段。
文摘在计算机视觉领域,由镜头切换、目标动力学突变、低帧率视频等引起的突变运动存在极大的不确定性,使得突变运动跟踪成为该领域的挑战性课题.以贝叶斯滤波框架为基础,提出一种基于有序超松弛Hamiltonian马氏链蒙特卡罗方法的突变运动跟踪算法.该算法将Hamiltonian动力学融入MCMC(Markov chain Monte Carlo)算法,目标状态被扩张为原始目标状态变量与一个动量项的组合.在提议阶段,为抑制由Gibbs采样带来的随机游动行为,提出采用有序超松弛迭代方法来抽取目标动量项.同时,提出自适应步长的Hamiltonian动力学实现方法,在跟踪过程中自适应地调整步长,以减少模拟误差.提出的跟踪算法可以避免传统的基于随机游动的MCMC跟踪算法所存在的局部最优问题,提高了跟踪的准确性而不需要额外的计算时间.实验结果表明,该算法在处理多种类型的突变运动时表现出出色的处理能力.
文摘基于弹着点空间分布对目标毁伤效能的差异化影响,构建导弹命中目标不同重要区域的概率分布模型,实现对传统命中精度概念的扩展。针对导弹实打试验过程复杂、费用高、次数少的实际,采用贝叶斯方法融合多源信息,基于区域划分-分布确定-先验融合-后验求解的思路进行导弹命中精度估计。选取Dirichlet分布作为命中精度参数的先验分布,运用D-S(Dempster-Shafer)证据理论对先验信息进行融合处理,基于马尔可夫链蒙特卡罗(Markov chain Monte Carlo, MCMC)方法对精度参数的后验分布进行求解。示例表明,该方法能够细致描述导弹命中目标不同重要区域的概率,并科学融合多源命中精度先验信息,为导弹命中精度估计方法及测试方案优化提供理论借鉴。
