为高精度地开展地下水污染溯源辨识,在对污染源参数进行敏感性分析的基础上,研究应用两阶段马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)算法辨识确定污染源参数;同时,探索应用多层感知机(Multi-layer Perceptron,MLP)方法构建...为高精度地开展地下水污染溯源辨识,在对污染源参数进行敏感性分析的基础上,研究应用两阶段马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)算法辨识确定污染源参数;同时,探索应用多层感知机(Multi-layer Perceptron,MLP)方法构建地下水污染运移数值模型的代理模型,用以提高地下水污染溯源辨识的效率。为验证上述方法的有效性和可行性,开展了两个数值算例研究。结果表明:采用MLP方法构建的代理模型对地下水污染运移数值模型的逼近精度高,不仅能够有效提升地下水污染溯源辨识效率,还能保持良好的计算精度;所提出的耦合敏感性分析与两阶段MCMC算法能够显著提升低敏感性污染源参数的辨识精度。展开更多
提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter,SMC-PHDF)的部分可分辨的群目标跟踪算法.该算法可直接获得群而非个体的个数和状态估计.这里群的状态包括群的质心状态和形状.为了...提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter,SMC-PHDF)的部分可分辨的群目标跟踪算法.该算法可直接获得群而非个体的个数和状态估计.这里群的状态包括群的质心状态和形状.为了估计群的个数和状态,该算法利用高斯混合模型(Gaussian mixture models,GMM)拟合SMC-PHDF中经重采样后的粒子分布,这里混合模型的元素个数和参数分别对应于群的个数和状态.期望最大化(Expectation maximum,EM)算法和马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)算法分别被用于估计混合模型的参数.混合模型的元素个数可通过删除、合并及分裂算法得到.100次蒙特卡洛(Monte Carlo,MC)仿真实验表明该算法可有效跟踪部分可分辨的群目标.相比EM算法,MCMC算法能够更好地提取群的个数和状态,但它的计算量要大于EM算法.展开更多
弹道导弹在再入过程中为了提高自身突防能力往往伴随着分导现象。由于分导弹头数目未知,距离目标近且再入速度非常相近,使其以团状形态运动,在未知导弹任何先验信息前提下如何对分导弹头进行快速关联已成为亟待解决的难题。该文提出了...弹道导弹在再入过程中为了提高自身突防能力往往伴随着分导现象。由于分导弹头数目未知,距离目标近且再入速度非常相近,使其以团状形态运动,在未知导弹任何先验信息前提下如何对分导弹头进行快速关联已成为亟待解决的难题。该文提出了一种改进的实时滑窗马尔可夫链-蒙特卡洛(Markov Chain Monte Carlo,MCMC)次优数据关联算法,它应用蒙特卡洛采样方法对监控区域的测量集合进行组合优化,获得最大的后验概率密度进而逼近马氏链的平稳分布。该算法结合弹头分导实际情况,重新分配关联假设权值并优化了继承性,极大地减小了关联时间。仿真结果表明该算法与经典的多假设算法相比,关联概率随着目标密集程度增加而显著提高,并且计算量远小于多假设算法。展开更多
文摘为高精度地开展地下水污染溯源辨识,在对污染源参数进行敏感性分析的基础上,研究应用两阶段马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)算法辨识确定污染源参数;同时,探索应用多层感知机(Multi-layer Perceptron,MLP)方法构建地下水污染运移数值模型的代理模型,用以提高地下水污染溯源辨识的效率。为验证上述方法的有效性和可行性,开展了两个数值算例研究。结果表明:采用MLP方法构建的代理模型对地下水污染运移数值模型的逼近精度高,不仅能够有效提升地下水污染溯源辨识效率,还能保持良好的计算精度;所提出的耦合敏感性分析与两阶段MCMC算法能够显著提升低敏感性污染源参数的辨识精度。
文摘提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter,SMC-PHDF)的部分可分辨的群目标跟踪算法.该算法可直接获得群而非个体的个数和状态估计.这里群的状态包括群的质心状态和形状.为了估计群的个数和状态,该算法利用高斯混合模型(Gaussian mixture models,GMM)拟合SMC-PHDF中经重采样后的粒子分布,这里混合模型的元素个数和参数分别对应于群的个数和状态.期望最大化(Expectation maximum,EM)算法和马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)算法分别被用于估计混合模型的参数.混合模型的元素个数可通过删除、合并及分裂算法得到.100次蒙特卡洛(Monte Carlo,MC)仿真实验表明该算法可有效跟踪部分可分辨的群目标.相比EM算法,MCMC算法能够更好地提取群的个数和状态,但它的计算量要大于EM算法.
文摘弹道导弹在再入过程中为了提高自身突防能力往往伴随着分导现象。由于分导弹头数目未知,距离目标近且再入速度非常相近,使其以团状形态运动,在未知导弹任何先验信息前提下如何对分导弹头进行快速关联已成为亟待解决的难题。该文提出了一种改进的实时滑窗马尔可夫链-蒙特卡洛(Markov Chain Monte Carlo,MCMC)次优数据关联算法,它应用蒙特卡洛采样方法对监控区域的测量集合进行组合优化,获得最大的后验概率密度进而逼近马氏链的平稳分布。该算法结合弹头分导实际情况,重新分配关联假设权值并优化了继承性,极大地减小了关联时间。仿真结果表明该算法与经典的多假设算法相比,关联概率随着目标密集程度增加而显著提高,并且计算量远小于多假设算法。
