基于马尔可夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)方法的α稳定分布参数估计具有良好的性能,但不合适的提议函数常导致算法不收敛或混合性能不好。针对提议函数难以选择的问题,提出了一种基于自适应Metropolis算法的非对称α稳...基于马尔可夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)方法的α稳定分布参数估计具有良好的性能,但不合适的提议函数常导致算法不收敛或混合性能不好。针对提议函数难以选择的问题,提出了一种基于自适应Metropolis算法的非对称α稳定分布参数估计新方法。该方法利用Markov链的历史信息自动调整提议函数的协方差矩阵,使其不断地逼近目标分布,从而获得更好的估计结果。理论分析和仿真结果表明,此方法不仅能准确地估计出α稳定分布的4个参数,而且具有良好的鲁棒性和灵活性。展开更多
针对短采样宽带信号近似最大似然(approximated maximum likelihood,AML)方位估计计算量大的问题,将马尔科夫链-蒙特卡罗方法与近似最大似然方位估计相结合,提出一种基于Metropolis-Hastings抽样的近似最大似然方位估计方法(AMLMH)。该...针对短采样宽带信号近似最大似然(approximated maximum likelihood,AML)方位估计计算量大的问题,将马尔科夫链-蒙特卡罗方法与近似最大似然方位估计相结合,提出一种基于Metropolis-Hastings抽样的近似最大似然方位估计方法(AMLMH)。该方法将AML算法的空间谱函数作为信号的概率分布函数,并利用Metropolis-Hastings抽样方法从该概率分布函数中抽样。研究结果表明,AMLMH方法不但保持了原近似最大似然方位估计方法的优良性能,而且减小了计算量。展开更多
文摘基于马尔可夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)方法的α稳定分布参数估计具有良好的性能,但不合适的提议函数常导致算法不收敛或混合性能不好。针对提议函数难以选择的问题,提出了一种基于自适应Metropolis算法的非对称α稳定分布参数估计新方法。该方法利用Markov链的历史信息自动调整提议函数的协方差矩阵,使其不断地逼近目标分布,从而获得更好的估计结果。理论分析和仿真结果表明,此方法不仅能准确地估计出α稳定分布的4个参数,而且具有良好的鲁棒性和灵活性。
文摘针对短采样宽带信号近似最大似然(approximated maximum likelihood,AML)方位估计计算量大的问题,将马尔科夫链-蒙特卡罗方法与近似最大似然方位估计相结合,提出一种基于Metropolis-Hastings抽样的近似最大似然方位估计方法(AMLMH)。该方法将AML算法的空间谱函数作为信号的概率分布函数,并利用Metropolis-Hastings抽样方法从该概率分布函数中抽样。研究结果表明,AMLMH方法不但保持了原近似最大似然方位估计方法的优良性能,而且减小了计算量。
